ما در آی‌تی هلو از شهریور ۱۴۰۲ کارمون رو با عشق به کتاب و یادگیری شروع کردیم. تخصص ما چاپ کتاب‌های تخصصی به زبان اصلیه و با استفاده از تکنولوژی‌های روز و مواد اولیه باکیفیت، مطمئن می‌شیم که هر کتاب از نظر ظاهر و محتوا در بهترین سطح قرار بگیره.
هدفمون اینه که دسترسی به منابع علمی و آموزشی معتبر رو برای همه ساده‌تر کنیم و در این مسیر، همراه و همکار خوبی برای شما باشیم.
Intelligence at the Deep Edge
ما در میانه یکی از مهم ترین تغییرات تاریخ فناوری قرار داریم. هوش مصنوعی فقط یک فناوری جدید در کنار فناوری های قبلی نیست؛ بلکه در حال تغییر دادن نحوه تعامل انسان با نرم افزار، سخت افزار و اطلاعات است. در سال های اخیر، مدل های هوش مصنوعی از محیط های آزمایشگاهی و رایانه های قدرتمند به تلفن های هوشمند، خودروها، تجهیزات صنعتی، ربات ها و انواع دستگاه های متصل راه پیدا کرده اند.
اما اجرای هوش مصنوعی در دنیای واقعی با اجرای یک مدل روی یک رایانه قدرتمند یا یک سرویس ابری تفاوت زیادی دارد.
یک دستگاه هوشمند ممکن است حافظه بسیار محدودی داشته باشد، توان پردازشی آن پایین باشد، با باتری کار کند و حتی همیشه به اینترنت دسترسی نداشته باشد. در چنین شرایطی، توسعه دهنده نمی تواند صرفا یک مدل بزرگ را اجرا کند و تمام محدودیت های سخت افزاری را نادیده بگیرد.
اینجاست که مفهوم هوش مصنوعی نهفته یا Embedded AI اهمیت پیدا می کند.
هوش مصنوعی نهفته به طراحی و اجرای قابلیت های هوشمند روی دستگاه هایی مربوط می شود که با محدودیت هایی مانند توان پردازشی، حافظه، انرژی، زمان پاسخ و اتصال شبکه مواجه هستند. این حوزه در نقطه تلاقی هوش مصنوعی، یادگیری ماشین، سیستم های نهفته، پردازش سیگنال، الکترونیک و برنامه نویسی سطح پایین قرار دارد.
کتاب حاضر با رویکردی کاملا پروژه محور به این حوزه می پردازد و تلاش می کند نشان دهد چگونه می توان مدل های یادگیری ماشین و قابلیت های هوشمند را از محیط توسعه به سخت افزار واقعی منتقل کرد.
بخش زیادی از تجربه ما با هوش مصنوعی از طریق سرویس های ابری شکل گرفته است. داده به سرور ارسال می شود، پردازش روی سخت افزارهای قدرتمند انجام می گیرد و نتیجه به کاربر بازگردانده می شود.
اما همه سیستم ها نمی توانند به این شکل کار کنند.
فرض کنید یک دستگاه باید در چند میلی ثانیه به تغییر وضعیت محیط واکنش نشان دهد. یا دستگاهی را تصور کنید که در محیطی بدون اینترنت کار می کند. در یک سیستم دیگر، ارسال دائمی داده های حسگر به فضای ابری می تواند از نظر مصرف انرژی، هزینه یا حریم خصوصی مناسب نباشد.
در این شرایط، بخشی از هوش باید روی خود دستگاه اجرا شود.
پردازش هوش مصنوعی در لبه به سیستم اجازه می دهد داده را نزدیک به محل تولید آن پردازش کند و بدون وابستگی کامل به زیرساخت ابری، تصمیم های لازم را بگیرد.
این مسئله صرفا انتخاب بین «ابر» و «دستگاه» نیست. در بسیاری از سیستم های واقعی، ترکیبی از هر دو استفاده می شود. تصمیم های حساس به زمان می توانند روی دستگاه انجام شوند، در حالی که تحلیل های سنگین تر، آموزش مجدد مدل ها و مدیریت مجموعه ای از دستگاه ها در فضای ابری انجام می گیرد.
بنابراین یکی از مسائل مهم مهندسی در هوش مصنوعی نهفته این است که هوشمندی سیستم چگونه بین دستگاه و زیرساخت ابری تقسیم شود.
یک مدل یادگیری ماشین در محیط آزمایشگاهی ممکن است با منابع قابل توجهی اجرا شود. اما زمانی که همان مدل باید روی یک ریزکنترلگر اجرا شود، شرایط کاملا متفاوت خواهد بود.
کلمات کلیدی:حافظه محدود است. توان پردازشی محدود است. مصرف انرژی اهمیت دارد. زمان پاسخ اهمیت دارد. اندازه مدل اهمیت پیدا می کند و حتی روش ذخیره سازی داده می تواند روی عملکرد سیستم تاثیر بگذارد.
به همین دلیل، هوش مصنوعی نهفته را می توان نوعی مهندسی هوشمندی تحت محدودیت دانست.
توسعه دهنده باید همزمان به دقت مدل و محدودیت های سخت افزار فکر کند. ممکن است یک مدل پیچیده تر دقت بالاتری داشته باشد، اما اگر نتواند روی سخت افزار موردنظر اجرا شود، عملا کاربردی نخواهد داشت.
در نتیجه، طراحی یک سیستم هوشمند نه فقط به انتخاب مدل مناسب، بلکه به ایجاد تعادل میان دقت، سرعت، مصرف انرژی، حافظه، قابلیت اجرا و نیازهای واقعی سیستم وابسته است.
یکی از ویژگی های اصلی این کتاب، روش پروژه محور آن است.
به جای اینکه مفاهیم هوش مصنوعی، یادگیری ماشین و سیستم های نهفته به صورت کاملا نظری و جدا از یکدیگر بررسی شوند، هر فصل تلاش می کند مفاهیم را در قالب پروژه های واقعی به کار بگیرد.
در طول کتاب، پروژه هایی مانند تشخیص جهت گیری با استفاده از ژیروسکوپ، پیش بینی وضعیت باتری، تشخیص حضور افراد، تولید موسیقی، حذف نویز صوتی و تشخیص کلمه فعال سازی صوتی بررسی می شوند.
این رویکرد باعث می شود مفاهیم مختلف در یک سیستم واقعی کنار یکدیگر قرار بگیرند.
برای مثال، یک پروژه ممکن است همزمان به پردازش سیگنال، یادگیری ماشین، طراحی سخت افزار و برنامه نویسی میان افزار نیاز داشته باشد. همین ویژگی نشان می دهد که هوش مصنوعی نهفته ذاتا یک حوزه میان رشته ای است.
در سیستم های نهفته، بسیاری از مشکلاتی که در یک مثال تئوری می توان نادیده گرفت، در هنگام اجرای واقعی خود را نشان می دهند.
نمی توان محدودیت های زمانی را نادیده گرفت. نمی توان نمودار سیم کشی را صرفا به صورت فرضی در نظر گرفت. نمی توان مرحله استقرار مدل را حذف کرد و انتظار داشت دستگاه واقعی همچنان کار کند.
سخت افزار شما را مجبور می کند که دقیق باشید.
وقتی یک پروژه را واقعا اجرا می کنید، مشخص می شود که کدام بخش از دانش شما کامل نیست. شاید مدل به اندازه کافی سریع نباشد، داده حسگر نویز داشته باشد یا مصرف حافظه بیشتر از ظرفیت دستگاه باشد.
به همین دلیل، پروژه های عملی می توانند فاصله میان دانستن یک مفهوم و توانایی استفاده از آن مفهوم در یک سیستم واقعی را کاهش دهند.
کتاب ابتدا به اصول سیستم های نهفته می پردازد و توضیح می دهد که این سیستم ها چه هستند و چرا طراحی آن ها دشوار است.
در یک سیستم نهفته، سخت افزار و نرم افزار ارتباط بسیار نزدیکی با یکدیگر دارند. نرم افزار مستقیما با منابع سخت افزاری، حسگرها، ورودی ها و خروجی ها کار می کند و معمولا محدودیت های منابع نقش مهمی در طراحی دارند.
در این مسیر، مفاهیمی مانند معماری نرم افزارهای بلادرنگ، کنترل تجهیزات جانبی و تعامل میان اجزای سخت افزاری و نرم افزاری مطرح می شوند.
یکی از پروژه های ابتدایی کتاب، ساخت یک مولد سیگنال است که به عنوان بستری برای درک بهتر اصول سیستم های نهفته مورد استفاده قرار می گیرد.
پس از آشنایی با مبانی سیستم های نهفته، کتاب وارد حوزه یادگیری ماشین می شود.
مفاهیم یادگیری نظارت شده، یادگیری بدون نظارت و یادگیری تقویتی معرفی می شوند و سپس کاربرد آن ها در پروژه های عملی بررسی می شود.
یکی از نمونه های کاربردی، تخمین وضعیت شارژ باتری است. در چنین پروژه ای، داده های حسگر باید جمع آوری و آماده شوند و سپس مدلی ایجاد شود که بتواند وضعیت باتری را تخمین بزند.
این مثال نشان می دهد که در یک پروژه هوش مصنوعی واقعی، خود مدل فقط بخشی از مسئله است.
کیفیت داده، روش جمع آوری داده، پیش پردازش، استخراج ویژگی، انتخاب مدل و نحوه اجرای مدل روی سخت افزار، همگی در نتیجه نهایی تاثیر دارند.
کتاب پس از مباحث یادگیری ماشین، سراغ یادگیری عمیق می رود.
شبکه های عصبی مصنوعی، شبکه های عصبی کانولوشنی، شبکه های عصبی بازگشتی و شبکه های مولد معرفی می شوند و سپس در پروژه های عملی مورد استفاده قرار می گیرند.
یکی از پروژه ها به تشخیص افراد مربوط می شود و پروژه دیگری از مدل های یادگیری عمیق برای تولید موسیقی استفاده می کند.
هدف این بخش صرفا معرفی معماری های مختلف شبکه عصبی نیست. موضوع مهم تر، انتقال مدل های یادگیری عمیق از محیط توسعه به سخت افزار محدود است.
در چنین شرایطی، محدودیت های دستگاه دوباره اهمیت پیدا می کنند و توسعه دهنده باید درباره اندازه مدل، زمان اجرای آن و منابع مورد نیاز تصمیم بگیرد.
یکی از بخش های مهم کتاب به تحلیل اکتشافی داده ها اختصاص دارد.
مدل یادگیری ماشین هرچقدر هم پیچیده باشد، اگر داده مناسبی دریافت نکند، نمی تواند عملکرد قابل اعتمادی داشته باشد.
به همین دلیل، داده های حسگر باید بررسی، پاک سازی و آماده شوند. تجسم داده ها می تواند الگوها و مشکلاتی را آشکار کند که در داده خام قابل مشاهده نیستند.
مهندسی ویژگی نیز می تواند اطلاعات مفیدتری را برای مدل ایجاد کند.
کیفیت داده یکی از عوامل اساسی در کیفیت یک سیستم هوشمند است و توسعه دهنده Embedded AI باید همان قدر که به مدل اهمیت می دهد، به داده نیز توجه کند.
کتاب این موضوع را با استفاده از داده های مربوط به وضعیت شارژ باتری بررسی می کند تا نشان دهد چگونه تحلیل داده می تواند به بهبود عملکرد مدل کمک کند.
حسگرها رابط میان سیستم هوشمند و دنیای واقعی هستند.
یک دستگاه می تواند شتاب، چرخش، صدا، لمس، دما یا انواع دیگری از اطلاعات محیط را دریافت کند و سپس بر اساس این داده ها تصمیم بگیرد.
اما داده حسگر همیشه کامل و بدون نویز نیست. بنابراین سیستم باید بتواند محدودیت های حسگر را در نظر بگیرد.
کتاب در بخش مربوط به حسگرهای هوشمند، قابلیت ها و محدودیت های حسگرهای مدرن را بررسی می کند و به روش هایی مانند حسگری تطبیقی و نمونه برداری فشرده می پردازد.
هدف این است که دستگاه بتواند داده موردنیاز خود را با مصرف منابع منطقی دریافت کند.
واحد اندازه گیری اینرسی یا IMU یکی از اجزای مهم بسیاری از سیستم های رباتیک، پهپادها و دستگاه های هوشمند است.
این واحد معمولا اطلاعاتی از شتاب سنج و ژیروسکوپ در اختیار سیستم قرار می دهد و در برخی موارد داده مغناطیس سنج نیز به کار گرفته می شود.
اما داده خام این حسگرها مستقیما معادل جهت گیری دقیق دستگاه نیست.
کتاب روش هایی برای پیش پردازش داده های IMU ارائه می کند و نشان می دهد چگونه می توان اطلاعات خام را به داده های معنادارتری درباره جهت گیری دستگاه تبدیل کرد.
در این بخش، مفاهیمی مانند زاویه های رول، پیچ و یاو، تخمین حرکت و محاسبه مسیر حرکت بررسی می شوند.
هر حسگر ممکن است محدودیت های خاص خودش را داشته باشد.
اگر چند حسگر اطلاعات متفاوتی درباره یک وضعیت ارائه دهند، می توان این اطلاعات را با یکدیگر ترکیب کرد تا تخمین دقیق تری به دست آید.
این فرآیند که با عنوان ترکیب حسگرها شناخته می شود، یکی از موضوعات مهم کتاب است.
روش هایی مانند فیلتر مکمل، فیلتر کواترنیونی و فیلتر کالمن در این بخش مورد استفاده قرار می گیرند.
این مباحث نشان می دهند که چگونه می توان داده های نویزی حسگرها را به اطلاعات قابل استفاده برای یک سیستم هوشمند تبدیل کرد.
یکی از جذاب ترین بخش های کاربردی کتاب، پروژه هایی است که با صدا و پردازش صوت سروکار دارند.
در یکی از پروژه ها، یک شبکه عصبی بازگشتی برای حذف نویز ورودی میکروفون استفاده می شود تا کیفیت گفتار افزایش پیدا کند.
پردازش به صورت روی دستگاه انجام می شود و نتیجه با استفاده از نمایش طیف نگار قابل بررسی است.
در پروژه دیگری، یک سیستم تشخیص کلمه فعال سازی ساخته می شود که می تواند برای فعال کردن یک دستگاه کم مصرف با یک فرمان صوتی مورد استفاده قرار گیرد.
این پروژه ها نشان می دهند که هوش مصنوعی می تواند مستقیما در یک دستگاه کوچک و کم مصرف اجرا شود، بدون اینکه تمام پردازش به یک سرویس ابری وابسته باشد.
یکی دیگر از پروژه های کتاب، ساخت یک سینتی سایزر MIDI مبتنی بر سخت افزار نهفته است.
این پروژه ورودی حساس به لمس، روش های تولید موسیقی و تولید ملودی با استفاده از هوش مصنوعی را در یک سیستم واحد ترکیب می کند.
چنین پروژه ای نمونه خوبی از ماهیت میان رشته ای Embedded AI است؛ زیرا در آن برنامه نویسی، سخت افزار، پردازش ورودی، تولید موسیقی و هوش مصنوعی در کنار یکدیگر قرار می گیرند.
باتری یکی از مهم ترین منابع محدود در دستگاه های قابل حمل است.
اگر سیستم نتواند وضعیت باتری را به شکل مناسبی اندازه گیری و ثبت کند، مدیریت انرژی دشوار خواهد شد.
کتاب در یکی از پروژه های خود یک سیستم کامل پایش باتری ایجاد می کند که شامل اندازه گیری ولتاژ و جریان، بار قابل برنامه ریزی و ثبت داده است.
داده های جمع آوری شده می توانند بعدا برای آموزش مدل های یادگیری ماشین مورد استفاده قرار گیرند.
این پروژه نمونه ای از یک چرخه کامل در سیستم های هوشمند است: داده از دنیای واقعی دریافت می شود، ثبت و پردازش می شود، مدل روی آن آموزش می بیند و در نهایت قابلیت هوشمند روی سخت افزار اجرا می شود.
کتاب برای پروژه های عملی از پلتفرم هایی مانند Arduino، Raspberry Pi و خانواده Nicla استفاده می کند.
این پلتفرم ها به خواننده اجازه می دهند مفاهیم مطرح شده را از سطح نظری خارج کرده و روی سخت افزار واقعی آزمایش کند.
تمرکز کتاب فقط روی یک برد یا یک فناوری خاص نیست؛ هدف اصلی، یادگیری اصولی است که در پروژه های مختلف قابل استفاده باشند.
بنابراین خواننده می تواند مفاهیم مربوط به پردازش داده، اجرای مدل، مدیریت منابع و ارتباط حسگرها را در پروژه های دیگری نیز به کار بگیرد.
در توسعه هوش مصنوعی روی دستگاه، همیشه نمی توان به دنبال بیشترین دقت ممکن بود.
یک مدل بزرگ تر ممکن است دقت بیشتری داشته باشد، اما حافظه بیشتری مصرف کند و زمان اجرای آن بیشتر باشد.
از طرف دیگر، یک مدل کوچک تر ممکن است سریع تر اجرا شود و انرژی کمتری مصرف کند، اما عملکرد آن در بعضی کاربردها پایین تر باشد.
بنابراین طراحی سیستم نیازمند ایجاد تعادل میان چند عامل است.
دقت، پیچیدگی مدل، سرعت اجرا، مصرف انرژی، حافظه و قابلیت استقرار باید همزمان در نظر گرفته شوند.
این موضوع یکی از مهم ترین تفاوت های توسعه هوش مصنوعی برای دستگاه های نهفته با توسعه مدل برای زیرساخت های قدرتمند است.
یکی از موضوعات مهم در این حوزه، رابطه میان Edge و Cloud است.
اتصال سریع شبکه می تواند امکان انتقال بخشی از پردازش به زیرساخت ابری را فراهم کند، اما در سیستم های واقعی هنوز عواملی مانند زمان پاسخ، قابلیت اطمینان، اتصال شبکه و مصرف انرژی اهمیت دارند.
برای یک سیستم کنترل بلادرنگ، ممکن است چند میلی ثانیه تاخیر اهمیت زیادی داشته باشد. در چنین شرایطی، اجرای مدل روی خود دستگاه می تواند مناسب تر باشد.
در مقابل، آموزش مدل، تحلیل حجم زیادی از داده یا مدیریت تعداد زیادی دستگاه ممکن است بهتر باشد در زیرساخت مرکزی انجام شود.
به همین دلیل، معماری های واقعی اغلب از یک مدل ترکیبی Edge و Cloud استفاده می کنند.
با گسترش دستگاه های متصل و افزایش حجم داده های تولیدشده توسط حسگرها، نیاز به پردازش نزدیک به منبع داده بیشتر می شود.
پیشرفت پردازنده های کم مصرف و واحدهای تخصصی پردازش شبکه های عصبی، اجرای مدل های پیچیده تر روی دستگاه های کوچک را امکان پذیرتر کرده است.
همزمان، موضوعاتی مانند یادگیری فدرال، محاسبات نورومورفیک و رویکردهای جدید برای اجرای مدل های هوش مصنوعی در لبه در حال توسعه هستند.
کتاب در بخش پایانی خود به آینده هوش مصنوعی نهفته می پردازد و ایده هایی درباره مسیرهای احتمالی توسعه هوشمندی در دستگاه های واقعی مطرح می کند.
این بخش بیشتر نگاهی آینده نگرانه دارد و تلاش می کند تصویری از مسیر احتمالی این حوزه ارائه دهد.
کتاب در سه بخش اصلی تنظیم شده است.
در فصل اول، مسیر شکل گیری هوش مصنوعی نهفته و مفهوم هوشمندی تحت محدودیت بررسی می شود. سپس در فصل دوم، اصول سیستم های نهفته و چالش های طراحی آن ها مطرح می شود.
فصل سوم به یادگیری ماشین کاربردی در پروژه های نهفته می پردازد و از پروژه های تخمین وضعیت شارژ باتری برای توضیح مفاهیم استفاده می کند.
در فصل چهارم، یادگیری عمیق و معماری هایی مانند شبکه های عصبی کانولوشنی، شبکه های عصبی بازگشتی و شبکه های مولد معرفی می شوند.
فصل پنجم نیز به تحلیل اکتشافی داده، پاک سازی داده، تجسم داده و مهندسی ویژگی اختصاص دارد.
در فصل ششم، حسگرهای هوشمند و روش های حسگری تطبیقی بررسی می شوند.
فصل هفتم به پیش پردازش داده های IMU اختصاص دارد و موضوعاتی مانند محاسبه جهت گیری و زوایای رول، پیچ و یاو را پوشش می دهد.
در فصل هشتم، ترکیب داده های حسگر و روش هایی مانند فیلتر مکمل، فیلتر کواترنیونی و فیلتر کالمن بررسی می شوند.
فصل نهم به استفاده از یادگیری ماشین روی داده های ترکیب شده حسگرها می پردازد.
فصل دهم پروژه حذف نویز صوتی بلادرنگ را بررسی می کند.
در فصل یازدهم، یک سینتی سایزر MIDI هوشمند ساخته می شود.
فصل دوازدهم به ساخت موتور تشخیص کلمه فعال سازی برای دستگاه های کم مصرف اختصاص دارد.
در فصل سیزدهم نیز یک سیستم پایش و ثبت اطلاعات باتری با استفاده از سخت افزار Arduino ساخته می شود.
در پایان، بخش پایانی کتاب به آینده هوش مصنوعی نهفته و مسیرهای احتمالی توسعه هوشمندی در لبه می پردازد.
این کتاب برای مهندسان، سازندگان سخت افزار، دانشجویان و علاقه مندان فنی طراحی شده است که می خواهند قابلیت های یادگیری ماشین و هوش مصنوعی را روی دستگاه های واقعی اجرا کنند.
اگر روی حسگرهای هوشمند، ربات ها، پهپادها یا پروژه های مبتنی بر ریزکنترلگر کار می کنید، موضوعات کتاب می توانند ارتباط مستقیمی با پروژه های شما داشته باشند.
این کتاب تلاش می کند میان آموزش های بسیار ساده مقدماتی و منابع دانشگاهی بسیار تخصصی قرار بگیرد. بنابراین هدف آن صرفا ارائه دستورالعمل نیست، بلکه تلاش می کند دلیل پشت تصمیم های فنی و طراحی را نیز توضیح دهد.
برای خواندن کتاب، آشنایی با برنامه نویسی و مفاهیم پایه الکترونیک مفید است. همچنین باید بتوانید میان افزار را برای یک پردازنده کامپایل و روی آن مستقر کنید.
با این حال، داشتن تجربه قبلی در یادگیری ماشین الزامی نیست.
آشنایی با نقشه های مدار نیز می تواند در انجام پروژه ها مفید باشد.
نکته مهم درباره این کتاب این است که هدف آن ارائه یک دوره جامع درباره تمام شاخه های هوش مصنوعی نیست.
کتاب روی یک مسئله مشخص تمرکز دارد:
چگونه می توان قابلیت های هوشمند را روی سخت افزارهای محدود طراحی، پیاده سازی و اجرا کرد؟
بنابراین مفاهیم هوش مصنوعی و یادگیری ماشین به اندازه ای مطرح می شوند که برای ساخت سیستم های عملی مورد نیاز هستند.
تمرکز اصلی روی اجرای واقعی است؛ یعنی جایی که مدل باید روی یک دستگاه اجرا شود، داده از حسگر دریافت شود، محدودیت حافظه و انرژی رعایت شود و سیستم بتواند در شرایط واقعی پاسخ مناسب ارائه دهد.
یکی از ویژگی های کاربردی این کتاب، ارائه طراحی های سخت افزاری، شماتیک ها و نرم افزارهای پروژه ها به صورت متن باز است.
کدها و منابع پروژه های کتاب تحت مجوز MIT منتشر شده اند و امکان بررسی، تغییر و توسعه آن ها وجود دارد.
این ویژگی به خواننده اجازه می دهد صرفا به مطالعه مطالب اکتفا نکند و ساختار پروژه ها را بررسی کند، تغییر دهد و برای پروژه های شخصی خود توسعه دهد.
در نتیجه، کتاب می تواند علاوه بر یک منبع مطالعاتی، به عنوان راهنمای ساخت و آزمایش پروژه های واقعی Embedded AI نیز مورد استفاده قرار گیرد.
هوش مصنوعی در حال حرکت از رایانه های قدرتمند و مراکز داده به سمت دستگاه های کوچک تر و نزدیک تر به دنیای واقعی است. در این محیط جدید، تنها دانستن الگوریتم های یادگیری ماشین کافی نیست.
برای ساخت یک سیستم هوشمند واقعی باید بتوانید داده را از حسگر دریافت کنید، آن را پردازش کنید، مدل مناسب انتخاب کنید، مدل را روی سخت افزار محدود اجرا کنید و میان دقت، سرعت، مصرف انرژی و منابع موجود تعادل برقرار کنید.
هوش مصنوعی نهفته دقیقا در همین نقطه شکل می گیرد؛ جایی که یادگیری ماشین با سخت افزار واقعی، حسگرها، سیستم های بلادرنگ و محدودیت منابع روبه رو می شود.
این کتاب با ترکیب مباحث نظری و پروژه های عملی، مسیری را از مبانی سیستم های نهفته و یادگیری ماشین تا یادگیری عمیق، پردازش حسگرها، ترکیب داده ها، پردازش صوت و ساخت سیستم های کامل دنبال می کند.
اگر به دنبال یادگیری این هستید که چگونه مدل های هوش مصنوعی را از محیط توسعه خارج کرده و روی دستگاه های واقعی اجرا کنید، این کتاب می تواند دید جامعی از فرآیند طراحی، پیاده سازی و استقرار هوش مصنوعی روی سخت افزارهای محدود ارائه دهد.
نمونه چاپ کتاب موجود نیست.
نظرات کاربران (0)