- عنوان کتاب: Embedded Machine Learning with Microcontrollers -Applications on STM32 Development Boards
- نویسنده: Vijayarangan Natarajan
- حوزه: یادگیری ماشین
- سال انتشار: 2025
- تعداد صفحه: 398
- زبان اصلی: انگلیسی
- نوع فایل: pdf
- حجم فایل: 13.8 مگابایت
مغز ما به طور مداوم در معرض دادههایی است که از اندامهای حسی ما مانند چشم، بینی، گوش، پوست و زبان سرچشمه میگیرند. به عبارت دیگر، هر اندام حسی دنیای اطراف ما را به داده تبدیل میکند. سپس، مغز دو عملیات اساسی را روی این دادهها انجام میدهد: اول، یاد میگیرد که دادههای ارائه شده چه اطلاعاتی را ارائه میدهند. دوم، بر اساس اطلاعات آموخته شده، استنتاج را اعمال میکند. این عملیات کم و بیش برای اکثر موجودات زنده یکسان است. هدف در اینجا تعامل با دنیای بیرون به شیوهای هوشمندانه است. ما همچنین میتوانیم سیستمهای هوشمندی را تشکیل دهیم که با دنیای بیرون تعامل دارند. برای انجام این کار، سیستم باید از طریق حسگرهای خود، دادهها را از محیط اطراف خود جمعآوری کند. باید یک واحد اختصاصی روی سیستم وجود داشته باشد تا یک الگوریتم یادگیری را اجرا کند و سپس استنتاج را بر روی دادههای جدید اعمال کند. در نتیجه، سیستم میتواند از دادههای به دست آمده از محیط یاد بگیرد و بر اساس آن استنتاج را انجام دهد. روشهای یادگیری ماشین برای این منظور معرفی شدهاند. میتوانیم روشهای یادگیری ماشین موجود را به دو بخش سنتی و مبتنی بر شبکه عصبی گروهبندی کنیم. روشهای یادگیری ماشین سنتی مبتنی بر طراحی یا تشکیل یک سیستم از طریق دادههای داده شده هستند. از سوی دیگر، روشهای مبتنی بر شبکه عصبی مستقیماً از دادهها یاد میگیرند. ممکن است یک رویکرد در مقایسه با رویکرد دیگر برای مسئله مورد نظر مفیدتر باشد. بنابراین، ما در این کتاب هر دو روش را پوشش خواهیم داد. روشهای یادگیری ماشین میتوانند به روشهای مختلفی در یک سیستم هوشمند استفاده شوند. میتوانیم این کاربرد را به سه گروه اصلی طبقهبندی، رگرسیون و خوشهبندی گروهبندی کنیم. طبقهبندیکننده، دادههای ورودی را به یکی از کلاسهای شناخته شده اختصاص میدهد. رگرسیون منجر به پیشبینی مقادیر آینده بر اساس دادههای داده شده میشود. خوشهبندی، دادهها را بر اساس ویژگیهای ذاتی آنها گروهبندی میکند. در نتیجه، همه این روشهای یادگیری ماشین، سیستم را به تعامل هوشمندانه با دنیای خارج هدایت میکنند. روشهای اخیر یادگیری ماشین (به ویژه روشهای مبتنی بر شبکه عصبی) در طول آموزش به حجم زیادی از دادهها و قدرت محاسباتی عظیم نیاز دارند. از این رو، ممکن است برای عملیات به یک کامپیوتر یا ایستگاه کاری بسیار قدرتمند نیاز باشد. در حین انجام این کار، دادهها از حسگرها جمعآوری میشوند. سپس، در یک دستگاه محلی یا روی ابر ذخیره میشوند. پس از آن، دادههای جمعآوری شده در آموزش استفاده میشوند. بسته به مدل انتخاب شده و پارامترهای آن، این عملیات آموزشی میتواند در عرض چند دقیقه تا چند روز (بسته به قدرت محاسباتی دستگاه مورد استفاده) انجام شود. اندازه مدل آموزش دیده پس از آموزش میتواند از چند صد کیلوبایت تا صدها مگابایت باشد.
Our brain is continuously exposed to data originating from our sensory organs as the eye, nose, ear, skin, and tongue. In other words, each sensory organ converts the world around us to data. Then, the brain performs two fundamental operations on this data: First, it learns what information the provided data is offering. Second, it applies inference based on the learned information. These operations are more or less the same for most living organisms. The aim here is interacting with the outer world in an intelligent manner. We can also form intelligent systems interacting with the outside world. To do so, the system should gather data from its surrounding through its sensors. There should be a dedicated unit on the system to execute a learning algorithm and then apply inference to new data. As a result, the system can learn from data acquired from the environment and perform inference accordingly. Machine learning methods are introduced for this purpose. We can group existing machine learning methods into two parts as traditional and neural network-based. Traditional machine learning methods are based on designing or forming a system via given data. On the other hand, neural network-based methods directly learn from the data. One approach may be more useful compared to the other for the problem at hand. Therefore, we will cover both methods in this book. There are several ways in which machine learning methods can be used in an intelligent system. We can group this usage into three main groups as classification, regression, and clustering. The classifier assigns the incoming data to one of the known classes. Regression leads to predicting future values based on given data. Clustering groups the data based on its inherent characteristics. As a result, all these machine learning methods lead the system to interact with the outside world in an intelligent manner. Recent machine learning methods (especially neural network-based ones) require vast amount of data and huge computation power during training. Hence, a very powerful PC or workstation may be needed for operation. While doing so, data is collected from sensors. Then, it is stored in a local device or on cloud. Afterward, the collected data is used in training. Depending on the selected model and its parameters, this training operation can be done in minutes to days (depending on the computation power of the used device). The size of the trained model after training can be from few hundred kilobytes to hundred megabytes.
این کتاب را میتوانید از لینک زیر بصورت رایگان دانلود کنید:
نظرات کاربران