دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Indraneel Mitra. Ryan Burke
سری:
ISBN (شابک) : 1801811784, 9781801811781
ناشر: Packt Publishing
سال نشر: 2022
تعداد صفحات: 374
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 10 Mb
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب Intelligent Workloads at the Edge: Deliver cyber-physical outcomes with data and machine learning using AWS IoT Greengrass به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب بارهای کاری هوشمند در لبه: نتایج فیزیکی سایبری را با داده ها و یادگیری ماشین با استفاده از AWS IoT Greengrass ارائه دهید نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
کاوش اینترنت اشیا، تجزیه و تحلیل دادهها و یادگیری ماشین برای حل مشکلات فیزیکی سایبری با استفاده از آخرین قابلیتهای سرویسهای مدیریتشده مانند AWS IoT Greengrass و Amazon SageMaker
اینترنت اشیا (IoT) نحوه تفکر و تعامل مردم را تغییر داده است. با دنیا استقرار همه جانبه حسگرها در اطراف ما امکان مطالعه جهان را با هر سطح از دقت و امکان تصمیم گیری مبتنی بر داده را در هر مکانی ممکن می سازد. تجزیه و تحلیل داده ها و یادگیری ماشین (ML) که توسط محاسبات ابری الاستیک پشتیبانی می شود، توانایی ما را برای درک و تجزیه و تحلیل حجم عظیمی از داده های تولید شده توسط اینترنت اشیا تسریع کرده است. اکنون، محاسبات لبه، فناوریهای اطلاعات را به منبع داده نزدیکتر کرده است تا تأخیر کمتری داشته باشد و هزینهها کاهش یابد.
این کتاب به شما میآموزد که چگونه فناوریهای محاسبات لبه، تجزیه و تحلیل دادهها و ML را برای ارائه کارهای بعدی ترکیب کنید. تولید نتایج فیزیکی سایبری شما با کشف نحوه ایجاد برنامه های نرم افزاری که بر روی دستگاه های لبه با AWS IoT Greengrass اجرا می شوند، شروع خواهید کرد. با پیشروی، یاد خواهید گرفت که چگونه داده های اینترنت اشیا را از لبه به ابر پردازش و جریان دهید و از آن برای آموزش مدل های ML با استفاده از Amazon SageMaker استفاده کنید. این کتاب همچنین به شما نشان میدهد که چگونه این مدلها را آموزش دهید و آنها را برای عملکرد بهینه، صرفهجویی در هزینه، و مطابقت دادهها در لبه اجرا کنید.
در پایان این کتاب اینترنت اشیا، میتوانید محدودهی خود را بررسی کنید. بارهای کاری اینترنت اشیاء را در اختیار داشته باشید، قدرت ML را به اوج برسانید، و آن بارهای کاری را در یک محیط تولیدی اجرا کنید.
این کتاب برای معماران اینترنت اشیا و مهندسان نرمافزار مسئول ارائه تحلیلی و مبتنی بر یادگیری ماشینی است. راه حل های نرم افزاری به لبه. مشتریان AWS که می خواهند راه حل های اینترنت اشیا را یاد بگیرند و بسازند، این کتاب را مفید خواهند یافت. تجربه سطح متوسط با اجرای نرم افزار پایتون در لینوکس برای استفاده حداکثری از این کتاب لازم است.
Explore IoT, data analytics, and machine learning to solve cyber-physical problems using the latest capabilities of managed services such as AWS IoT Greengrass and Amazon SageMaker
The Internet of Things (IoT) has transformed how people think about and interact with the world. The ubiquitous deployment of sensors around us makes it possible to study the world at any level of accuracy and enable data-driven decision-making anywhere. Data analytics and machine learning (ML) powered by elastic cloud computing have accelerated our ability to understand and analyze the huge amount of data generated by IoT. Now, edge computing has brought information technologies closer to the data source to lower latency and reduce costs.
This book will teach you how to combine the technologies of edge computing, data analytics, and ML to deliver next-generation cyber-physical outcomes. You'll begin by discovering how to create software applications that run on edge devices with AWS IoT Greengrass. As you advance, you'll learn how to process and stream IoT data from the edge to the cloud and use it to train ML models using Amazon SageMaker. The book also shows you how to train these models and run them at the edge for optimized performance, cost savings, and data compliance.
By the end of this IoT book, you'll be able to scope your own IoT workloads, bring the power of ML to the edge, and operate those workloads in a production setting.
This book is for IoT architects and software engineers responsible for delivering analytical and machine learning–backed software solutions to the edge. AWS customers who want to learn and build IoT solutions will find this book useful. Intermediate-level experience with running Python software on Linux is required to make the most of this book.
Cover Title page Copyright and Credits Contributors About reviewers Table of Contents Preface Section 1: Introduction and Prerequisites Chapter 1: Introduction to the Data-Driven Edge with Machine Learning Living on the edge Common concepts for edge solutions Bringing ML to the edge Tools to get the job done Edge runtime ML Communicating with the edge Demand for smart home and industrial IoT Smart home use cases Industrial use cases Setting the scene: A modern smart home solution Hands-on prerequisites System 1: The edge device System 2: Command and control (C2) Summary Knowledge check References Section 2: Building Blocks Chapter 2: Foundations of Edge Workloads Technical requirements The anatomy of an edge ML solution Designing code for business logic Physical interfaces Network interfaces IoT Greengrass for the win Reviewing IoT Greengrass architecture Checking compatibility with IoT Device Tester Booting the Raspberry Pi Configuring the AWS account and permissions Configuring IDT Installing IoT Greengrass Reviewing what has been created so far Creating your first edge component Reviewing an existing component Writing your first component Summary Knowledge check References Chapter 3: Building the Edge Technical requirements Exploring the topology of the edge Reviewing common standards and protocols IoT Greengrass in the OSI model IoT Greengrass in ANSI/ISA-95 Application layer protocols Message format protocols Security at the edge End devices to your gateway The gateway device Edge components Connecting your first device – sensing at the edge Installing the sensor component Reviewing the sensor component Connecting your second device – actuating at the edge Installing the component Reviewing the actuator component Summary Knowledge check References Chapter 4: Extending the Cloud to the Edge Technical requirements Creating and deploying remotely Loading resources from the cloud Packaging your components for remote deployment Storing logs in the cloud Merging component configuration Synchronizing the state between the edge and the cloud Introduction to device shadows Steps to deploy components for state synchronization Extending the managed components Deploying your first ML model Reviewing the ML use case Steps to deploy the ML workload Summary Knowledge check References Chapter 5: Ingesting and Streaming Data from the Edge Technical requirements Defining data models for IoT workloads What is data management? What is data modeling? How do you design data models for IoT? Selecting between ACID or BASE for IoT workloads Conceptual modeling of the connected HBS hub The logical modeling of the connected HBS hub The physical modeling of the connected HBS hub Designing data patterns on the edge Data storage Data integration concepts Data flow patterns Data flow anti-patterns for the edge A hands-on approach with the lab Building cloud resources Building edge components Validating the data streamed from the edge to the cloud Additional topics for reference Time series databases Unstructured data Summary Knowledge check References Chapter 6: Processing and Consuming Data on the Cloud Technical requirements Defining big data for IoT workloads What is big data processing? What is domain-driven design? What are the principles to design data workflows using DDD? Designing data patterns on the cloud Data storage Data integration patterns Data flow patterns Data flow anti-patterns for the cloud A hands-on approach with the lab Building cloud resources Querying the ODS Building the analytics workflow Summary Knowledge check References Chapter 7: Machine Learning Workloads at the Edge Technical requirements Defining ML for IoT workloads What is the history of ML? What are the different types of ML systems? Taxonomy of ML with IoT workloads Why is ML accessible at the edge today? Designing an ML workflow in the cloud Business understanding and problem framing Data collection or integration Data preparation Data visualization and analytics Feature engineering (FE) Model training Model evaluation and deployment ML design principles ML anti-patterns for IoT workloads Hands-on with ML architecture Building the ML workflow Deploying the model from cloud to the edge Performing ML inferencing on the edge and validating results Summary Knowledge check References Section 3: Scaling It Up Chapter 8: DevOps and MLOps for the Edge Technical requirements Defining DevOps for IoT workloads Fundamentals of DevOps Relevance of DevOps for IoT and the edge DevOps challenges with IoT workloads Understanding the DevOps toolchain for the edge AWS Lambda at the edge Containers for the edge Additional toolsets for Greengrass deployments MLOps at the edge Relevance of MLOps for IoT and the edge MLOps challenges for the edge Understanding the MLOps toolchain for the edge Hands-on with the DevOps architecture Deploying the container from the cloud to the edge Summary Knowledge check References Chapter 9: Fleet Management at Scale Technical requirements Onboarding a fleet of devices globally Registering a certificate authority Deciding the provisioning approach Managing your device fleet at scale Monitor Maintenance Diagnose Getting hands-on with Fleet Hub architecture Building the cloud resources Deploying the components from the cloud to the edge Visualizing the results Summary Knowledge check References Section 4: Bring It All Together Chapter 10: Reviewing the Solution with AWS Well-Architected Framework Summarizing the key lessons Defining edge ML solutions Using IoT Greengrass Modeling data and ML workloads Operating a production solution Describing the AWS Well-Architected Framework Reviewing the solution Reflecting upon the solution Applying the framework Diving deeper into AWS services AWS IoT Greengrass AWS IoT services Machine learning services Ideas for further proficiency Summary References Appendix 1 – Answer Key Chapter 1 Chapter 2 Chapter 3 Chapter 4 Chapter 5 Chapter 6 Chapter 7 Chapter 8 Chapter 9 Index Other Books You May Enjoy