Tecnología
En la era del Internet de las cosas, una gran cantidad de perceptrones recopilan y generan datos en diversos campos todos los días. Debido a la necesidad de mejorar los negocios y la calidad de vida, la aplicación de la tecnología IoT para analizar grandes flujos de datos es una dirección de investigación muy valiosa. Este artículo proporciona una descripción detallada del uso del aprendizaje profundo en el espacio de IoT para mejorar el análisis de datos y los métodos de aprendizaje. Desde la perspectiva del aprendizaje automático, el autor divide los métodos de procesamiento de datos de IoT en análisis de big data de IoT y análisis de datos de flujo de IoT. Se resumen los diferentes métodos de aprendizaje profundo actuales y se analizan en detalle las ventajas de utilizar métodos de aprendizaje profundo para analizar datos de IoT, así como los desafíos que enfrenta el futuro.
En esta serie de artículos, presentamos el aprendizaje profundo y las redes de memoria a corto y largo plazo (LSTM), mostramos cómo generar datos para la detección de anomalías y presentamos cómo utilizar el kit de herramientas Deeplearning4j. En este artículo, presentaremos cómo el sistema de aprendizaje automático de código abierto Apache SystemML ayuda a realizar operaciones de álgebra lineal optimizando dinámicamente la ejecución y utilizando Apache Spark como motor de ejecución. También muestra que incluso las redes LSTM de una sola capa muy simples superan a los algoritmos avanzados de detección de anomalías en datos de sensores de series temporales (o cualquier tipo de datos de secuencia en general).
El Asistente de Google y otras plataformas de comprensión del lenguaje natural están impulsando a los usuarios a utilizar su tecnología. Ya sea una tarea sencilla como configurar un temporizador o una tarea más compleja como ajustar el termostato con el Asistente de Google, puedes participar. En esta publicación, aprenderá paso a paso cómo crear su propia aplicación Asistente y regar sus plantas simplemente pidiéndole a Google que controle su dispositivo Android Things.
Código abierto
Tinyweb es un servidor HTTP simple y liviano, utilizado en microdispositivos como ESP8266/ESP32 que ejecutan MicroPython. Tener un servidor HTTP simple permite a los desarrolladores crear interfaces de usuario hermosas y modernas para sus dispositivos IoT. Tinyweb en sí es un servidor TCP simple que se ejecuta en uasyncio.
Mynewt es un sistema operativo de código abierto basado en componentes adecuado para dispositivos microintegrados. ApacheMynewt usa newt para construir un sistema de administración de paquetes que permite a los desarrolladores seleccionar solo los componentes necesarios para construir el sistema operativo. El objetivo es facilitar la aplicación y el desarrollo de entornos de microcontroladores donde la potencia y el costo son los factores determinantes. Mynewt proporciona una pila de protocolo Bluetooth 5.0 de código abierto y middleware integrado, sistema de archivos flash, pila de red, gestor de arranque, FATFS, gestor de arranque, estadísticas e infraestructura de grabación.
AngularIotDashboard es un panel en el campo de Internet de las cosas desarrollado en base a Angular4. Es un panel compatible en tiempo real que funciona en cualquier navegador y pretende ser una interfaz resistente para hogares inteligentes, oficinas inteligentes y automatización industrial. Con muchos componentes reutilizables, los desarrolladores pueden inspirar e implementar sus propias versiones de paneles de IoT administrados basados en AngularIoTDashboard.
Hardware
FemtoUSB es una placa de desarrollo ARM de código abierto basada en el producto ARMCortexM0 de Atmel, ATSAMD21E18A. Su objetivo es proporcionar un punto de partida básico para aquellos interesados en el diseño ARM, especialmente aquellos que se preparan para cambiar del hardware AVR de 8 bits a las muy potentes herramientas ARM de 32 bits. El diseño de su placa de circuito, sus esquemas y su lista de piezas son completamente de código abierto, lo que permite a los desarrolladores aprender a diseñar chips ARM, cadenas de herramientas de compilación, diagramas de circuitos básicos de chips ARM, etc.