SOWA OPAC : Biblioteka - Katalog książek

2 wyniki

Brak okładki

Książka

W koszyku

oceń

TinyML : wykorzystanie TensorFlow Lite do uczenia maszynowego na Arduino i innych mikrokontrolerach / Pete Warden, Daniel Situnayake ; przekład: Anna Mizerska. - Gliwice : Helion S.A., cop. 2022. - 430, [2] s. : fotografie, ilustracje, wykresy ; 24 cm.

Autor

Warden Pete Situnayake Daniel Mizerska Anna

Forma i typ

Książki Publikacje fachowe

Temat

Arduino (mikrokontroler) Mikrokontrolery Programowanie (informatyka) TensorFlow (biblioteka programistyczna) Uczenie maszynowe

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Zawiera: Wstęp: Konwencje typograficzne przyjęte w tej książce; Korzystanie z przykładowych kodów; Podziękowania; Rozdział 1. Wprowadzenie: Urządzenia z systemem wbudowanym; Ciągły rozwój; Rozdział 2. Informacje wstępne: Do kogo skierowana jest ta książka?; Jaki sprzęt będzie Ci potrzebny?; Jakie oprogramowanie będzie Ci potrzebne?; Czego nauczysz się dzięki tej książce?; Rozdział 3. Wprowadzenie do uczenia maszynowego: Czym właściwie jest uczenie maszynowe?; Proces uczenia głębokiego; Podsumowanie; Rozdział 4. Witaj, świecie TinyML: budowa i trenowanie modelu: Co będziemy budować?; Nasz zestaw narzędzi do uczenia maszynowego; Budowa naszego modelu; Trenowanie naszego modelu; Konwertowanie modelu na potrzeby TensorFlow Lite; Podsumowanie; Rozdział 5. Witaj, świecie TinyML: budowanie aplikacji: Omówienie testów; Budowa pliku z projektem; Omówienie kodu źródłowego; Podsumowanie; Rozdział 6. Witaj, świecie TinyML: uruchomienie aplikacji na mikrokontrolerze: Czym właściwie jest mikrokontroler?; Arduino; SparkFun Edge; Zestaw ST Microelectronics STM32F746G Discovery; Podsumowanie; Rozdział 7. Wykrywanie słowa wybudzającego: budowanie aplikacji: Co będziemy tworzyć?; Architektura aplikacji; Omówienie testów; Nasłuchiwanie słów wybudzających; Uruchomienie aplikacji na mikrokontrolerach; Podsumowanie; Rozdział 8. Wykrywanie słowa wybudzającego: trenowanie modelu: Trenowanie naszego nowego modelu; Wykorzystanie modelu w naszym projekcie; Zasada działania modelu; Trenowanie modelu z własnymi danymi; Podsumowanie; Rozdział 9. Wykrywanie osoby: budowanie aplikacji: Co będziemy budować?; Architektura aplikacji; Omówienie testów; Wykrywanie ludzi; Uruchomienie aplikacji na mikrokontrolerach; Podsumowanie; Rozdział 10. Wykrywanie osoby: trenowanie modelu: Wybór maszyny; Konfiguracja instancji Google Cloud Platform; Wybór platformy programistycznej do treningu; Tworzenie zestawu danych; Trenowanie modelu; TensorBoard; Ocena modelu; Eksportowanie modelu do TensorFlow Lite; Trenowanie dla innych kategorii; Architektura MobileNet; Podsumowanie; Rozdział 11. Magiczna różdżka: budowanie aplikacji: Co będziemy tworzyć?; Architektura aplikacji; Omówienie testów; Wykrywanie gestu; Uruchomienie aplikacji na mikrokontrolerach; Podsumowanie; Rozdział 12. Magiczna różdżka: trenowanie modelu: Trenowanie modelu; Zasada działania modelu; Trenowanie modelu z własnymi danymi; Podsumowanie; Rozdział 13. TensorFlow Lite dla mikrokontrolerów: Kompilatory; Obsługa nowej platformy sprzętowej; Obsługa nowego IDE lub kompilatora; Integrowanie zmian w kodzie projektu z repozytoriami; Wnoszenie swojego wkładu do kodu z otwartym źródłem; Obsługa nowego akceleratora sprzętowego; Format pliku; Przenoszenie operacji TensorFlow Lite Mobile na wersję dla mikrokontrolerów; Podsumowanie; Rozdział 14. Projektowanie własnych aplikacji TinyML: Projektowanie; Czy potrzebny jest mikrokontroler, czy może być większe urządzenie?; Co jest możliwe?; Podążanie czyimiś śladami; Podobne modele do trenowania; Sprawdzenie danych; Magia Czarnoksiężnika z krainy Oz; Poprawnie działająca wersja na komputerze jako pierwszy etap; Rozdział 15. Optymalizacja prędkości działania programu: Prędkość modelu a prędkość ogólna aplikacji; Zmiany sprzętu; Ulepszenia modelu; Kwantyzacja; Etap projektowania produktu; Optymalizacje kodu; Optymalizowanie operacji; Wnoszenie swojego wkładu do kodu z otwartym źródłem; Podsumowanie; Rozdział 16. Optymalizacja poboru mocy: Rozwijanie intuicji; Pomiar rzeczywistego poboru mocy; Oszacowanie poboru mocy modelu; Ulepszenia związane z zużyciem energii; Podsumowanie; Rozdział 17. Optymalizacja modelu i rozmiaru pliku binarnego: Zrozumienie ograniczeń własnego systemu; Oszacowanie zużycia pamięci; Szacunkowe wartości dokładności i rozmiaru modelu przy różnych problemach; Wybór modelu; Zmniejszenie rozmiaru pliku wykonywalnego; Naprawdę malutkie modele; Podsumowanie; Rozdział 18. Debugowanie: Różnica w dokładności między treningiem a wdrożeniem; Różnice liczbowe; Tajemnicze awarie; Podsumowanie; Rozdział 19. Przenoszenie modelu z TensorFlow do TensorFlow Lite: Określenie wymaganych operacji; Operacje obsługiwane w TensorFlow Lite; Przeniesienie wstępnego i końcowego przetwarzania do kodu aplikacji; Implementacja niezbędnych operacji; Optymalizacja operacji; Podsumowanie; Rozdział 20. Prywatność, bezpieczeństwo i wdrażanie: Prywatność; Bezpieczeństwo; Wdrożenie; Podsumowanie; Rozdział 21. Poszerzanie wiedzy: Fundacja TinyML; SIG Micro; Strona internetowa TensorFlow; Inne platformy programistyczne; Twitter; Przyjaciele TinyML; Podsumowanie; Dodatek A Używanie i tworzenie biblioteki Arduino w formacie ZIP; Dodatek B Przechwytywanie dźwięku na Arduino; O autorach; Kolofon.

dostępna do wypożyczenia

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 004 (2 egz.)

Książka

W koszyku

oceń

Matematyka dyskretna dla praktyków : algorytmy i uczenie maszynowe w Pythonie / Ryan T. White, Archana Tikayat Ray ; przekład: Filip Kamiński. - Gliwice : Helion S.A., cop. 2022. - 270, [2] s. : il., wykresy ; 24 cm.

Autor

White Ryan T. Ray Archana Tikayat Kamiński Filip

Forma i typ

Książki Publikacje dydaktyczne

Temat

Algorytmy Matematyka dyskretna Programowanie (informatyka) Python (język programowania) Uczenie maszynowe

Gatunek

Podręcznik

Dziedzina i ujęcie

Matematyka Informatyka i technologie informacyjne

Zawiera: O autorach; O recenzencie; Wprowadzenie: Dla kogo jest ta książka?; O czym jest ta książka?; Co zrobić, aby jak najlepiej wykorzystać tę książkę; Kody źródłowe; Konwencje typograficzne przyjęte w tej książce; I. Podstawowe pojęcia z obszaru matematyki dyskretnej: 1. Podstawowe pojęcia, notacja, teoria mnogości, relacje i funkcje: Czym jest matematyka dyskretna?; Podstawowa teoria mnogości; Funkcje i relacje; Podsumowanie; 2. Logika formalna i dowody matematyczne: Logika formalna i dowodzenie za pomocą tablic prawdy; Dowody wprost; Dowody nie wprost; Dowodzenie przez indukcję matematyczną; Podsumowanie; 3. Obliczenia w systemach o podstawie n: Zrozumieć liczby o podstawie n; Konwersje między różnymi podstawami; Liczby binarne i ich zastosowania; Liczby szesnastkowe i ich zastosowanie; Podsumowanie; 4. Kombinatoryka z użyciem SciPy: Podstawy zliczania; Permutacje i kombinacje obiektów; Alokacja pamięci; Skuteczność algorytmów siłowych; Podsumowanie; 5. Elementy prawdopodobieństwa dyskretnego: Definicja doświadczenie losowe; Definicje zdarzenia elementarne, zdarzenia losowe, przestrzenie prób; Przykład rzut monetą; Przykład rzut wieloma monetami; Definicja miara probabilistyczna; Twierdzenie podstawowe własności prawdopodobieństwa; Przykład sport; Twierdzenie monotoniczność; Twierdzenie zasada włączeń i wyłączeń; Definicja rozkład jednostajny; Twierdzenie obliczanie prawdopodobieństwa; Przykład rzut wieloma monetami; Definicja zdarzenia niezależne; Przykład rzucanie wieloma monetami; Prawdopodobieństwo warunkowe i twierdzenie Bayesa; Bayesowski filtr antyspamowy; Zmienne losowe, średnie i wariancja; Google PageRank (część I); Podsumowanie; II. Zastosowania matematyki dyskretnej w analizie danych i informatyce: 6. Algorytmy algebry liniowej: Zrozumieć układy równań liniowych; Macierze i macierzowe reprezentacje układów równań liniowych; Rozwiązywanie małych układów równań liniowych za pomocą metody eliminacji Gaussa; Rozwiązywanie dużych układów równań liniowych za pomocą NumPy; Podsumowanie; 7. Złożoność algorytmów: Złożoność obliczeniowa algorytmów; Notacja dużego O; Złożoność algorytmów zawierających podstawowe instrukcje sterujące; Złożoność popularnych algorytmów wyszukiwania; Popularne klasy złożoności obliczeniowej; Podsumowanie; Bibliografia; 8. Przechowywanie i wyodrębnianie cech z grafów, drzew i sieci: Zrozumieć grafy, drzewa i sieci; Zastosowania grafów, drzew i sieci; Przechowywanie grafów i sieci; Wyodrębnianie cech z grafów; Podsumowanie; 9. Przeszukiwanie struktur danych i znajdowanie najkrótszych ścieżek: Przeszukiwanie struktur grafowych i drzew; Algorytm przeszukiwania w głąb (DFS); Implementacja algorytmu przeszukiwania w głąb w Pythonie; Problem najkrótszej ścieżki i jego warianty; Znajdowanie najkrótszych ścieżek metodą siłową; Algorytm Dijkstry znajdowania najkrótszych ścieżek; Implementacja algorytmu Dijkstry w Pythonie; Podsumowanie; III. Praktyczne zastosowania matematyki dyskretnej: 10. Analiza regresji za pomocą NumPy i scikit-learn: Zbiór danych; Linie najlepszego dopasowania i metoda najmniejszych kwadratów; Linia najlepszego dopasowania; Dopasowywanie prostej metodą najmniejszych kwadratów w NumPy; Dopasowywanie krzywych metodą najmniejszych kwadratów z użyciem NumPy i SciPy; Dopasowanie płaszczyzn metodą najmniejszych kwadratów z użyciem NumPy i SciPy; Podsumowanie; 11. Wyszukiwanie w sieci za pomocą algorytmu PageRank: Rozwój wyszukiwarek na przestrzeni lat; Google PageRank (część II); Implementacja algorytmu PageRank w Pythonie; Zastosowanie algorytmu na danych rzeczywistych; Podsumowanie; 12. Analiza głównych składowych za pomocą scikit-learn: Wartości i wektory własne, bazy ortogonalne; Redukcja wymiarowości za pomocą analizy głównych składowych; Implementacja metody PCA z scikit-learn; Zastosowanie metody PCA na rzeczywistych danych; Podsumowanie.

dostępna do wypożyczenia

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 51 (2 egz.)