边缘人工智能电子书

O'Reilly Media，Inc.介绍

本书赞誉

前言

关于本书

本书预期

需要了解的基础知识

负责任、合乎伦理、有效的人工智能

扩展资源

排版约定

示例代码

O’Reilly在线学习平台（O’Reilly Online Learning）

如何联系我们

致谢

第1章 边缘人工智能简介

1.1 关键术语定义

1.1.1 嵌入式

1.1.2 边缘端和物联网

1.1.3 人工智能

1.1.4 机器学习

1.1.5 边缘人工智能

1.1.6 嵌入式机器学习和微型机器学习

1.1.7 数字信号处理

1.2 为什么需要边缘人工智能

1.2.1 理解边缘人工智能的好处（BLERP）

1.2.2 边缘人工智能的作用

1.2.3 边缘人工智能与常规人工智能之间的主要区别

1.3 总结

第2章 现实世界中的边缘人工智能

2.1 边缘人工智能的常见用例

2.1.1 绿地和棕地项目

2.1.2 现实世界的产品

2.2 应用类型

2.2.1 物体追踪

2.2.2 理解和控制系统

2.2.3 了解人和生物

2.2.4 信号转换

2.3 负责任地创建应用

2.3.1 负责任的设计和人工智能伦理

2.3.2 黑盒和偏差

2.3.3 保持谨慎

2.4 总结

第3章 边缘人工智能的硬件

3.1 传感器、信号和数据源

3.1.1 传感器和信号的类型

3.1.2 声学与振动

3.1.3 视觉与场景

3.1.4 运动与位置

3.1.5 力与触觉

3.1.6 光学、电磁和辐射

3.1.7 环境、生物和化学

3.1.8 其他信号

3.2 边缘人工智能处理器

3.2.1 边缘人工智能硬件架构

3.2.2 微控制器和数字信号处理器

3.2.3 片上系统

3.2.4 深度学习加速器

3.2.5 FPGA和ASIC

3.2.6 边缘服务器

3.2.7 多设备架构

3.2.8 设备和工作负载

3.3 总结

第4章 边缘人工智能算法

4.1 特征工程

4.1.1 处理数据流

4.1.2 数字信号处理算法

4.1.3 结合特征与传感器

4.2 人工智能算法

4.2.1 按功能划分的算法类型

4.2.2 按实现方式划分的算法类型

4.2.3 边缘设备的优化

4.2.4 在设备上训练

4.3 总结

第5章 工具与专业知识

5.1 为边缘人工智能组建团队

5.1.1 领域专业知识

5.1.2 多元化

5.1.3 利益相关者

5.1.4 角色与责任

5.1.5 边缘人工智能的招聘

5.1.6 学习边缘人工智能技能

5.2 行业工具

5.2.1 软件工程

5.2.2 使用数据

5.2.3 算法开发

5.2.4 在设备上运行算法

5.2.5 嵌入式软件工程与电子技术

5.2.6 边缘人工智能的端到端平台

5.3 总结

第6章 理解和构建问题

6.1 边缘人工智能工作流程

6.2 我需要边缘人工智能吗

6.2.1 描述一个问题

6.2.2 我需要部署到边缘吗

6.2.3 我需要机器学习吗

6.2.4 实践练习

6.3 确定可行性

6.3.1 道德可行性

6.3.2 商业可行性

6.3.3 数据集可行性

6.3.4 技术可行性

6.3.5 做最后的决定

6.3.6 规划一个边缘人工智能项目

6.4 总结

第7章 如何构建一个数据集

7.1 数据集是什么样的

7.2 理想的数据集

7.3 数据集和领域专业知识

7.4 数据、道德和负责任的人工智能

7.4.1 尽量减少未知因素

7.4.2 确保领域专业知识

7.5 以数据为中心的机器学习

7.6 估计数据要求

7.7 掌握数据

7.8 存储和检索数据

7.8.1 让数据进入存储库

7.8.2 收集元数据

7.9 确保数据质量

7.9.1 确保数据集的代表性

7.9.2 通过抽样审查数据

7.9.3 标签噪声

7.9.4 常见的数据错误

7.9.5 漂移和偏移

7.9.6 错误的不均匀分布

7.10 准备数据

7.10.1 标记

7.10.2 格式化

7.10.3 数据清洗

7.10.4 特征工程

7.10.5 数据分割

7.10.6 数据增强

7.10.7 数据管道

7.11 随着时间推移构建数据集

7.12 总结

第8章 设计边缘人工智能应用

8.1 产品与体验设计

8.1.1 设计原则

8.1.2 确定解决方案的范围

8.1.3 设定设计目标

8.2 架构设计

8.2.1 硬件、软件和服务

8.2.2 基本应用程序架构

8.2.3 复杂的应用程序架构和设计模式

8.2.4 使用设计模式

8.3 设计中的选择度量

8.4 总结

第9章 开发边缘人工智能应用

9.1 边缘人工智能开发的迭代工作流程

9.1.1 探索

9.1.2 目标设定

9.1.3 引导

9.1.4 测试和迭代

9.1.5 部署

9.1.6 支持

9.2 总结

第10章 评估、部署和支持边缘人工智能应用

10.1 评估边缘人工智能系统

10.1.1 评估系统的方法

10.1.2 有用的指标

10.1.3 评估技术

10.1.4 评估和负责任的人工智能

10.2 部署边缘人工智能应用

10.2.1 部署前任务

10.2.2 部署中任务

10.2.3 部署后任务

10.3 支持边缘人工智能应用

10.3.1 部署后监控

10.3.2 改进实时应用程序

10.3.3 道德和长期支持

10.4 接下来会发生什么

第11章 用例：野生动物监测

11.1 问题探索

11.2 解决方案探索

11.3 目标设定

11.4 解决方案设计

11.4.1 现有的解决方案有哪些

11.4.2 解决方案设计方法

11.4.3 设计注意事项

11.4.4 环境影响

11.4.5 引导

11.4.6 定义你的机器学习类

11.5 数据集收集

11.5.1 Edge Impulse

11.5.2 选择你的硬件和传感器

11.5.3 数据收集

11.5.4 iNaturalist

11.5.5 数据集限制

11.5.6 数据集许可和法律义务

11.5.7 清理数据集

11.5.8 上传数据到Edge Impulse

11.6 DSP和机器学习工作流程

11.6.1 DSP块

11.6.2 机器学习块

11.7 测试模型

11.7.1 实时分类

11.7.2 模型测试

11.7.3 本地测试模型

11.8 部署

11.8.1 创建库

11.8.2 手机和计算机

11.8.3 预构建二进制固件

11.8.4 运行Impulse

11.8.5 GitHub源代码

11.9 迭代和反馈循环

11.10 人工智能向善

11.11 相关工作

11.11.1 数据集

11.11.2 研究

第12章 用例：食品质量保证

12.1 问题探索

12.2 解决方案探索

12.3 目标设定

12.4 解决方案设计

12.4.1 现有的解决方案有哪些

12.4.2 解决方案设计方法

12.4.3 设计注意事项

12.4.4 环境及社会影响

12.4.5 引导

12.4.6 定义你的机器学习类

12.5 数据集收集

12.5.1 Edge Impulse

12.5.2 选择你的硬件和传感器

12.5.3 数据收集

12.5.4 数据摄取固件

12.5.5 上传数据到Edge Impulse

12.5.6 清理数据集

12.5.7 数据集许可和法律义务

12.6 DSP和机器学习工作流程

12.6.1 DSP块

12.6.2 机器学习块

12.7 测试模型

12.7.1 实时分类

12.7.2 模型测试

12.8 部署

12.8.1 预构建二进制固件

12.8.2 GitHub源代码

12.9 迭代和反馈循环

12.10 相关工作

12.10.1 研究

12.10.2 新闻和其他文章

第13章 用例：消费类产品

13.1 问题探索

13.2 目标设定

13.3 解决方案设计

13.3.1 现有的解决方案有哪些

13.3.2 解决方案设计方法

13.3.3 设计注意事项

13.3.4 环境及社会影响

13.3.5 引导

13.3.6 定义你的机器学习类

13.4 数据集收集

13.4.1 Edge Impulse

13.4.2 选择你的硬件和传感器

13.4.3 数据收集

13.4.4 数据摄取固件

13.4.5 清理数据集

13.4.6 数据集许可和法律义务

13.5 DSP和机器学习工作流程

13.5.1 DSP块

13.5.2 机器学习块

13.6 测试模型

13.6.1 实时分类

13.6.2 模型测试

13.7 部署

13.7.1 预构建二进制固件

13.7.2 GitHub源代码

13.8 迭代和反馈循环

13.9 相关工作

13.9.1 研究

13.9.2 新闻和其他文章

作者简介

封面简介

推荐阅读