TinyML，也就是微型機器學習，用于在資源受限的設備上實現機器學習，例如微控制器和嵌入式系統。如果你想利用這些低成本、低功耗但奇異強大的設備，那么這本書就是為你準備的。 這本書旨在增加TinyML應用程序的可用性，特別是對于缺乏資源或專業知識來開發和部署它們在基于微控制器的板上的專業人士。書中首先簡要介紹人工智能，包括解決復雜問題的經典方法。它還將幫助你熟悉適用于嵌入式設備和微控制器的不同ML模型開發和部署工具、庫和框架。書中將幫助你使用Arduino Nano RP2040板和Syntiant TinyML板構建一個空氣手勢數字識別系統和一個用于識別關鍵詞的AI項目。最后，書中總結了所涵蓋的概念，并簡要介紹了零樣本學習、單樣本學習、聯邦學習和MLOps等主題。 通過閱讀這本書，你將能夠輕松開發和部署端到端的Tiny ML解決方案。 你將學到什么 ● 學習如何使用Syntiant TinyML板構建關鍵詞識別系統。 ● 學習如何使用Arduino Nano RP2040構建空氣手勢數字識別系統。 ● 學習如何在Edge Impulse和Arduino IDE上測試和部署模型。 ● 獲取提高系統級性能的技巧。 ● 探索TinyML在各個行業中的不同實際用例。 這本書適合誰 本書適合物聯網開發者、系統工程師、軟件工程師、硬件工程師以及對將AI集成到他們的工作中感興趣的專業人士。這本書是對工程本科生的寶貴資源，他們對微控制器和物聯網設備感興趣，但可能不知道從何開始。
目錄
AI簡介
傳統ML生命周期
TinyML硬件和軟件平臺
實際應用案例
用TinyML進行的實驗
使用TinyML板的高級實現
持續改進
結論
付費5元查看完整內容
相關內容
這本迷你書是給想要學習如何使用大型語言模型構建應用的Python開發者的全面指南。作者Olivier Caelen和Marie-Alice Blete闡述了GPT-4和ChatGPT的主要特性和優點，并解釋了它們的工作原理。你也會得到一個使用GPT-4和ChatGPT Python庫開發應用的逐步指南，包括文本生成，問答，和內容摘要工具。以清晰簡潔的語言寫就，"開發GPT-4和ChatGPT應用"書中包含了易于跟蹤的示例，幫助你理解并將概念應用到你的項目中。Python代碼示例可在GitHub倉庫中獲取，書中還包括一個關鍵術語的詞匯表。準備好在你的應用中利用大型語言模型的力量了嗎？那么這本書是必讀的。你將學習：ChatGPT和GPT-4的基本原理和優點以及它們的工作方式如何將這些模型集成到基于Python的應用中，進行NLP任務 如何使用Python的GPT-4或ChatGPT API開發應用，進行文本生成，問題回答，內容摘要等任務 高級GPT主題，包括提示工程，針對特定任務的模型微調，插件等等
付費5元查看完整內容
這本教科書提供了全面的，但教程，介紹機器人，計算機視覺和控制。它以一種輕但信息量大的對話風格編寫，將文本、圖形、數學和代碼行編織成涵蓋機器人和計算機視覺的敘述——分別和一起作為機器人視覺。超過1600個代碼示例展示了如何使用幾行簡單的代碼來分解和解決復雜的問題。 這個版本基于Python，并伴隨著完全開源的基于Python的機器人和機器視覺工具箱。新的工具箱使讀者能夠輕松地將算法概念付諸實踐，并在廣泛的計算平臺上處理真實的、重要的問題。對于初學者，本書使算法易于訪問，工具箱代碼可以閱讀以獲得理解，并舉例說明如何使用它。對于實踐者、學生或研究人員來說，通過基于Toolbox函數編寫程序或修改Toolbox代碼本身，代碼也可以成為新工作的起點。
//link.springer.com/book/10.1007/978-3-031-06469-2
付費5元查看完整內容
這本開放存取的書提供了大量的實踐示例，說明了如何在實踐中應用超參數調優，并對機器學習(ML)和深度學習(DL)方法的工作機制提供了深入的見解。本書的目的是讓讀者能夠使用這里描述的方法，以更少的時間、成本、精力和資源取得更好的結果。本書中的案例可以在普通的臺式電腦或筆記本電腦上運行。不需要高性能計算設施。 編寫這本書的想法源于Bartz & Bartz GmbH為德國聯邦統計局(Destatis)進行的一項研究。在該研究的基礎上，這本書是針對行業從業者以及研究人員，教師和學生在學術界。內容集中在ML和DL算法的超參數調整，并分為兩個主要部分:理論(第一部分)和應用(第二部分)。涉及的基本主題包括:重要模型參數的調查;四項參數調優研究和一項廣泛的全局參數調優研究;基于嚴重性的ML和DL方法性能統計分析以及一種新的、基于共識排序的方法來匯總和分析來自多個算法的結果。本書對6種相關的ML和DL方法的30多個超參數進行了分析，并提供了源代碼，以便用戶可以重現結果。因此，它可以作為一本手冊和教科書。
付費5元查看完整內容
[付費5元查看完整內容]【干貨書】建立基于python的機器學習和深度學習模型，Build Python-based Machine Learning and Deep Learning Models
利用機器和深度學習模型，使用PySpark在實時數據上構建應用程序。這本書對于那些想要學習使用這種語言來執行探索性數據分析和解決一系列商業挑戰的人來說是完美的。
您將從回顧PySpark的基礎知識開始，例如Spark的核心架構，并了解如何使用PySpark進行大數據處理，如數據攝取、清理和轉換技術。接下來，使用PySpark構建用于分析流數據的工作流，并比較各種流平臺。
然后，您將看到如何使用帶PySpark的氣流調度不同的Spark作業，并通過本書檢查調優機和深度學習模型進行實時預測。本書最后討論了圖幀以及在PySpark中使用圖算法執行網絡分析。書中提供的所有代碼都可以在Github的Python腳本中找到。
付費5元查看完整內容
通過這個循序漸進、詳細的指南，快速開始使用Python 3進行數據可視化編程。本書使用了leather、NumPy、Matplotlib和panda等庫，采用了編程友好的方法，將作為商業和科學可視化的模板。
您將從安裝Python 3開始，了解如何在jupiter筆記本中工作，并探索Python流行的數據可視化圖表庫Leather。還將介紹科學Python 3生態系統，并使用NumPy的基礎知識，NumPy是該生態系統的一個組成部分。后面的章節將重點介紹各種NumPy例程，并使用matplotlib開始科學數據可視化。您將回顧使用圖形和網絡進行3D數據可視化的過程，最后使用Pandas進行數據可視化，包括COVID-19數據集的可視化。
這些代碼示例是在Ubuntu、Windows和樹莓派操作系統等流行平臺上測試的。通過實用Python數據可視化，您將掌握數據可視化的核心概念與Pandas和jupiter筆記本界面。
你會:
回顧Python數據可視化與編程友好的抽象的實際方面
在多個平臺上安裝Python 3和Jupyter，包括Windows, Raspberry Pi和Ubuntu
用Pandas可視化COVID-19數據集
付費5元查看完整內容
內容簡介
要想在數據科學、機器學習、計算機圖形學和密碼學方面工作，需要強大的數學技能。
本書教授這些熱門職業所需的數學，專注于您作為開發人員需要了解的內容。這本書充滿了大量有用的圖形和200多個練習及迷你項目，為當今一些最熱門的編程領域中的有趣且有利可圖的職業開啟了大門。
關于技術
大多數企業意識到他們需要應用數據科學和有效的機器學習來獲得并保持競爭優勢。要構建這些應用程序，他們需要開發人員輕松編寫代碼并使用沉浸在統計，線性代數和微積分中的工具。
數學在其他現代應用中也扮演著不可或缺的角色，如游戲開發，計算機圖形和動畫，圖像和信號處理，定價引擎和股票市場分析。無論你是一個沒有核心大學數學基礎的自學成才的程序員，還是你只需要重新點燃數學余燼，這本書就是激發你技能的好方法。
關于本書
Math for Programmers教你解決代碼中的數學問題。由于作者的幽默和引人入勝的風格，你會喜歡像程序員一樣思考數學。通過可訪問的示例，場景和練習，非常適合工作開發人員，您將首先探索2D和3D中的函數和幾何。
有了這些基本構建模塊，您將進入機器學習和游戲編程的面包和黃油數學，包括矩陣和線性變換，導數和積分，微分方程，概率，分類算法等。不要擔心它聽起來令人生畏，或者更糟糕的是，無聊！編碼和數學家保羅奧蘭德會讓學習這些重要概念變得相關和有趣！
本實踐教程中的實際示例包括構建和渲染3D模型，使用矩陣變換的動畫，操縱圖像和聲波，以及為視頻游戲構建物理引擎。在此過程中，你將通過大量練習來測試自己，以確保牢牢掌握這些概念。當你完成后，你將擁有當今最流行的技術趨勢所必需的數學技能的堅實基礎。
你將學到
- 2D和3D矢量數學
- 矩陣和線性變換
- 線性代數的核心概念
- 具有一個或多個變量的微積分
- 回歸，分類和聚類的算法
- 有趣的現實世界的例子
- 超過200個練習和迷你項目
付費5元查看完整內容
隨著機器學習越來越多地被用于發現模式、進行分析和做出決策——投資于吸引更多的利益相關者加入是至關重要的。這本關于機器學習中的Python項目的書試圖做到這一點:為今天和明天的開發人員提供工具，他們可以使用這些工具更好地理解、評估和塑造機器學習，以幫助確保它為我們所有人服務。
如果你還沒有Python編程環境，這本書將為你提供一個，然后在“機器學習導論”一章中為你提供一個機器學習的概念理解。接下來是三個Python機器學習項目。它們將幫助你創建一個機器學習分類器，建立一個神經網絡來識別手寫數字，并通過為Atari構建一個機器人來給你一個深度強化學習的背景知識。
Python機器學習項目
- 前言
- 設置Python編程環境 3.機器學習入門
- 如何用Scikitlearn在Python中構建機器學習分類器
- 如何建立基于Tensorflow的神經網絡識別手寫數字
- 深度強化學習的偏差-方差: 如何用OpenAI Gym為Atari構建一個機器人
付費5元查看完整內容
簡介： Google一直是引入突破性技術和產品的先驅。在效率和規模方面，TensorFlow也不例外，因此，編寫本書只是向讀者介紹TensorFlow核心團隊所做的這些重要更改。本書著重于機器學習方面的TensorFlow的不同應用，并更深入地探討了方法的最新變化。對于那些想要用TensorFlow進行機器學習的人來說，這本書是一個很好的參考點。本書分為三個部分。第一篇：使用TensorFlow 2.0進行數據處理。第二部分：使用TensorFlow 2.0構建機器學習和深度學習模型。它還包括使用TensorFlow 2.0的神經語言編程（NLP）。第三部分介紹了如何在環境中保存和部署TensorFlow 2.0模型。這本書對數據分析人員和數據工程師也很有用，因為它涵蓋了使用TensorFlow 2.0處理大數據的步驟。想要過渡到數據科學和機器學習領域的讀者也會發現，本書提供了實用的入門指南，以后可能會出現更復雜的方面。書中提供的案例研究和示例使您很容易理解和理解相關的基本概念。本書的優勢在于其簡單性以及將機器學習應用于有意義的數據集。
目錄：
- Chapter 1：tenforflow 2.0介紹
- tensor
- TensorFlow 1.0與 Tensorflow 2.0的對比
- Tensorflow 2.0安裝于基礎操作
- Chapter 2：tenforflow 與監督學習
- 監督機器學習是什么
- TF2.0實現線性回歸
- 使用TF和Keras的線性回歸應用
- TF2.0實現邏輯回歸
- TF2.0實現boosted樹
- Chapter 3：tenforflow與深度神經網絡
- 什么是神經網絡
- 前向傳播與反向傳播
- TF2.0構建神經網絡
- 深度神經網絡
- TF2.0構建深度神經網絡
- 使用Keras模型估量
- 總結
- Chapter 4：圖片與Tensorflow
- 圖片處理
- 卷積神經網絡
- TF2.0與卷積神經網絡
- 遷移學習
- TF2.0與變分自編碼器
- 總結
- Chapter 5：TF2.0與自然語言處理（NLP）
- NLP概述
- 文本處理
- 文本分類與TF
- TF projector
- Chapter 6：TF模型
- TF部署
- 模型部署的Python
- 基于TF的Keras模型
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191