W tym rozdziale poznasz, czym są dane IoT.
Następnie dowiesz się, jak pozyskiwać dane IoT przez REST API oraz jak używać strumienia danych MQTT do zbierania danych w czasie rzeczywistym.

Wprowadzenie do danych IoT

Urządzenia IoT

Pobieranie danych

Pobieranie danych za pomocą biblioteki pandas

Poznaj dane

Zapisywanie danych

Wczytywanie danych z pliku

Analiza danych

Wprowadzenie do strumieni danych

Czym jest MQTT

MQTT – pojedyncza wiadomość

Zapisywanie strumienia danych

Dostęp do danych IoT

W drugim rozdziale przyjrzysz się danym zebranym w pierwszym rozdziale. Zwizualizujesz je i zrozumiesz, dlaczego znaczniki czasu są tak ważne przy pracy ze strumieniami danych. Zaimplementujesz również buforowanie w strumieniu danych MQTT.

Wykonaj EDA

Wykresy liniowe

Histogram

Czyszczenie danych

Obsługa brakujących danych

Brakujące dane

Brakujące dane II

Zbieranie minimalnych danych przyrostowych

Który znacznik czasu?

Buforowanie strumienia danych

Data i czas

Przygotowanie i wizualizacja danych przyrostowych

Przestawianie danych (pivot)

Przekształcanie danych

Analiza danych licznika energii

Przetwarzanie danych IoT

W tym rozdziale połączysz wiele źródeł danych o różnych interwałach czasowych.
Następnie przeanalizujesz te dane, aby wykryć korelacje, wartości odstające i trendy.

Łączenie źródeł danych do dalszej analizy

Łączenie ramek danych

Łączenie i próbkowanie danych

Korelacja

Mapy ciepła

Pairplot

Wartości odstające

Odchylenie standardowe

Autokorelacja

Sezonowość i trendy

Dekompozycja sezonowości

Dekompozycja sezonowości II

Analiza danych IoT

W tym ostatnim rozdziale wykorzystasz dane przeanalizowane w poprzednich rozdziałach do zbudowania potoku uczenia maszynowego. Dowiesz się też, jak wdrożyć ten potok w strumieniu danych, aby generować predykcje w czasie rzeczywistym.

Przygotowanie danych do uczenia maszynowego

Podział na zbiór treningowy i testowy

Regresja logistyczna

Skalowanie danych na potrzeby uczenia maszynowego

Wydajność modelu

Skalowanie

Skalowanie II

Tworzenie potoku uczenia maszynowego

Tworzenie potoków

Zapisywanie potoku

Zastosowanie modelu uczenia maszynowego

Predykcje modelu

Zastosowanie modelu do strumienia danych

Podsumowanie

Uczenie maszynowe dla IoT

Environment

Traffic (light vehicles)

Traffic (heavy vehicles)

Słyszałeś już o urządzeniach Internetu Rzeczy? Na pewno tak. Może masz nawet w domu Raspberry Pi monitorujące temperaturę i wilgotność.
  Urządzenia IoT są wszędzie wokół nas i zbierają dane o naszym otoczeniu.
  W tym kursie przeanalizujesz dane środowiskowe, dane o ruchu drogowym oraz dane z liczników energii.
  Dowiesz się, jak zbierać i przechowywać dane ze strumienia danych.
  Przygotujesz dane IoT do analizy, przeanalizujesz je i zwizualizujesz, a na koniec zbudujesz prosty model uczenia maszynowego, który będzie reagował na określone zdarzenia – i wdrożysz go w strumieniu danych w czasie rzeczywistym.

Data Manipulation with pandas

Naucz się importować, czyścić i przetwarzać dane IoT w Pythonie do uczenia maszynowego.

Analiza danych IoT w Pythonie

Dowiedz się, jak importować, czyścić i przetwarzać dane IoT w Pythonie, aby przygotować je do machine learning.

Przestawianie danych (pivot)

Analiza danych IoT w Pythonie

Interaktywne ćwiczenie praktyczne