کتاب از اینترنت اشیا تا شهر هوشمند ، با هدف تسهیل تلاش مستمر برای معرفی آخرین فناوری‌های توانمندساز فناوری اطلاعات و ارتباطات، گسترش مشارکت‌های بین‌المللی در سراسر جامعه و بخش‌های مختلف و در نهایت نمایش آن به عموم مردم ، ترجمه و گردآوری شده که در سه بخش به صورت یکپارچه آورده شده است .
بخش اول : از ارتباطات ماشین به ماشین تا اینترنت اشیا . در این بخش ما سیر تکاملی فناوری های توانمند را از پایه ی ارتباطات ماشین به ماشین تا فناوری های اینترنت اشیا ؛ معرفی می‌کنیم .
بخش دوم : عصر داده : تحلیل و امنیت داده. در این بخش بر روش‌های تحلیل داده و امنیت آن تمرکز خواهیم کرد .
بخش سوم : به سوی جهان هوشمند از رابط ها و خانه ها تا شهرها . در این قسمت ما در خصوص طراحی رابط کاربری انسان - ماشین برای یکپارچه سازی انسان ها با خانه ها و شهر های هوشمند به عنوان یک تصمیم گیرنده و یا جویای دانش شبکه ها ، بحث خواهیم کرد .
هدف اصلی در ترجمه این کتاب ، انتقال مفاهیم پایه در حوزه اینترنت اشیا به ویژه شهر هوشمند به زبان ساده است تا مرجعی کامل و جامع برای همه اساتید، مشاوران ، کارشناسان ، دانشجویان ، پیمانکاران و ... در حوزه هوشمند سازی و مدیریت شهری قرار گیرد .
کتاب از اینترنت اشیا تا شهر هوشمند
مروری بر بخش دوم کتاب " از اینترنت اشیا تا شهر هوشمند " :
مقدمه
به عنوان بخشی از انقلاب دیجیتال ، اینترنت طی دهه های گذشته ، علم و فناوری اطلاعات را ارتقا داده و در نهایت به عنوان نماد انقلاب اطلاعاتی در نظر گرفته شده است . دیدگاه جهانی این بود که اگرچه فناوری اطلاعات (IT) تعامل و ارتباطات انسان را تقویت می‌کند ، اما هنوز بین دنیای دیجیتال و فیزیکی کمبود ارتباط وجود دارد . اخیراً ، اینترنت اشیا (IoTs) برای ایجاد ارتباط بین اشیا ، ماشین‌ها و حتی بدن انسان‌ها ؛ به سنسورها ، سیستم‌های تعبیه شده و دسترسی بی‌سیم ، مجهز شده است [1] [2] [3]. ازآنجایی‌که اینترنت اشیا با تکیه بر شبکه های فراگیر ، ارتباط با محیط اطراف را افزایش می‌دهد ، خدمات جدید و مقرون به صرفه ای را برای شهر هوشمند ، جایی که چارچوب ها یا معماری فراوانی پیشنهاد شده است [5] [6] ، فراهم می‌کند [4] .
در این چارچوب ، می‌توان روش های متعددی برای انجام یک توالی از وظایف اتخاذ کرد که در میان آن ها ، طبقه بندی یکی از ابزارهای فراگیر در اکثر برنامه های کاربردی محسوب می‌شود .به عنوان مثال در بحث « ترافیک » ، آگاهی از وضعیت قسمت های خاصی از مسیر جهت جلوگیری از ازدحام به ویژه در ساعات ترافیک ، برای رانندگان امری ضروری است . با جمع‌آوری داده ها از سنسورهای قرار گرفته در امتداد جاده ها برای تشخیص تردد وسیله نقلیه و همچنین سنسورهای وسایل نقلیه جهت ثبت وضعیت حرکت ، سیستم های هوشمند می‌توانند شرایط ترافیک را برای ایجاد سطوح پیشنهادی رانندگی ، محاسبه و پیش‌بینی کنند .این شرایط می‌تواند به سادگی و به ترتیب به عنوان «خوب» ، «بد» ، «توصیه شده» و «توصیه نشده» نشان داده شود .به طورکل ی، چنین نمونه ای طبقه بندی باینری یا طبقه‌بندی مسئله [7] ، که شاخه قابل توجهی از یادگیری ماشین (ML) است ، نامیده می‌شود .در انتهای این فصل ، مختصری از یک مورد مطالعاتی برای نشان دادن این ایده ارائه شده است .
در یک طرف ، سنسورهای فراگیر ، اقلام هوشمند و دسترسی آسان ، منابع اطلاعاتی بحرانی را غنی‌تر کرده و درک روشنی از اقدامات در شهر هوشمند را ایجاد می‌کنند و در طرف دیگر ، حجم داده های خام را به میزان قابل‌توجهی افزایش می‌دهند .در دوران کلان داده ، روند اصولی بر پایهی 5V شامل حجم(Volume) ، سرعت (Velocity ) ، تنوع (Variety) ، صحت (Veracity) ، ارزش (Value) ریشه دارد و این دیدگاه توسط اینترنت اشیا و شهر هوشمند [2] [4] با استفاده از پردازشِ با کارایی بالا (HPC) به ویژه پردازش ابری ارائه شده است که به این ترتیب ، پردازش ابر به طور گسترده به‌عنوان یک رویکرد بالقوه برای غلبه بر مسائل مربوط به اندازه کلان داده ها در نظر گرفته می‌شود [8] . در HPC، اگرچه تکنیک ها از یکدیگر متمایز هستند [9] ، اما به‌طور ذاتی در برخی از ویژگی ها نظیر موازی بودن با یکدیگر اشتراک دارند .
با توجه به افزایش نیاز پردازش در مقیاس بزرگ، میزان قابل توجهی از روش‌ها، از جمله الگوریتم های یادگیری ماشین به منظور سازگاری با حالت موازی باید اصلاح و یا حتی مجدداً طراحی شوند زیرا که بسیاری از این الگوریتم‌ها ذاتاً روش های پی‌درپی ای هستند . در این فصل بر موازی سازی چندین الگوریتم بهینه سازی جریان اصلی کاربردی در طبقه بندی باینری و همچنین سایر نظریه های یادگیری ماشین، به‌عنوان مثال، گرادیان نزولی تصادفی(SGD) و روش‌های نیوتن تمرکز می‌شود .
الگوریتم یادگیری ماشین نقش مهمی در برنامه‌های زیرساختی شهر هوشمند دارد. شهرنشینی، تغییر عظیم سبک زندگی و سرعت افزایش کار به صورت اساسی بر پایه‌های زیرساخت شهری ازجمله بیمارستان، پلیس ، برق و بهداشت و درمان ، که ارائه‌دهندگان خدمات شهری برای سال خواستار تغییر آن‌ها بودند، تکیه دارد. داده‌های فراوانی از کارایی، قابلیت و کیفیت انرژی توجه بیشتری را به خود جلب کرده است، درحالی‌که خوشه‌بندی برای ادغام زمینه‌های مشابه جهت شناسایی مشکلات نامحسوس به کار برده می‌شود و طبقه‌بندی جهت پیشبرد برنامه‌های کاربردی و تشخیص عملکرد استفاده می‌شود . علاوه بر این، با گسترش جوامع ، مسائل امنیت عمومی به دلیل تروریسم جهانی و بی‌ثباتی مناطق به صورت بی‌سابقه‌ای افزایش یافته است . بر اساس اطلاعات عمومی جمع‌آوری شده از رسانه‌های اجتماعی، پست‌های وبلاگ یا نظرات ویدئویی ، گروه‌های امنیت جهانی انتظار دارند که یک روش طبقه‌بندی قابل اعتماد برای تعیین پتانسیل خطرات به ایجاد شود .
جهت سفارش کتاب با شماره های 22141586 الی 91 تماس فرمایید .
