> 💁 CPU 使用 [取指-解碼-執行週期](https://wikipedia.org/wiki/Instruction_cycle) 執行程序。每次時鐘滴答，CPU 會從記憶體中取出下一條指令，解碼它，然後執行它，例如使用算術邏輯單元 (ALU) 來加兩個數字。一些執行可能需要多個滴答聲才能完成，因此下一個週期會在指令完成後的下一次滴答聲運行。
微控制器的時鐘速度遠低於桌面或筆記本電腦，甚至大多數智能手機。例如，Wio Terminal 的 CPU 運行速度為 120MHz，即每秒 120,000,000 次週期。
@ -182,7 +182,7 @@ Arduino 開發板使用 C 或 C++ 編程。使用 C/C++ 可以使程式碼編譯
按照以下相關指南，為您的 IoT 設備添加致動器，並由感應器控制，以構建 IoT 夜燈。它將從光感應器收集光線強度，並使用 LED 作為致動器，在檢測到的光線強度過低時發出光。
這些數據中心的面積可以達到數平方公里。上圖是幾年前拍攝的 Microsoft 雲端數據中心，展示了初始規模以及擴建計劃。擴建所清理的區域超過 5 平方公里。
1. 在瀏覽器中加載 HTML 頁面。地圖將加載，然後從儲存體中加載所有 GPS 數據並將其繪製在地圖上。
> 💁 你可能已經在不知情的情況下使用過地理圍欄。如果你曾使用 iOS 提醒應用或 Google Keep 根據位置設置提醒，那麼你就使用過地理圍欄。這些應用會根據提供的位置設置地理圍欄，並在你的手機進入地理圍欄時提醒你。
ML 模型不會給出二元答案，而是提供概率。例如，模型可能會給出一張香蕉的圖片，預測 `成熟` 為 99.7%，`未成熟` 為 0.3%。您的代碼會選擇最佳預測並判斷該香蕉是成熟的。
@ -90,7 +90,7 @@ ML 模型不會給出二元答案，而是提供概率。例如，模型可能
Custom Vision 是一個基於雲的工具，用於訓練圖像分類器。它允許您僅使用少量圖片訓練分類器。您可以通過 Web 入口、Web API 或 SDK 上傳圖片，並為每張圖片提供一個 *標籤*，該標籤表示該圖片的分類。然後，您可以訓練模型並測試其性能。一旦您對模型感到滿意，您可以發布版本，通過 Web API 或 SDK 訪問。
1. 將扁平排線穿過 Grove Base Hat 上的相機插槽。確保排線的藍色面朝向標有 **A0**、**A1** 等的模擬端口。
1. 將扁平排線插入 Raspberry Pi 上的相機端口。同樣，拉起黑色塑料夾，插入排線，然後推回夾子。排線的藍色面應朝向 USB 和以太網端口。
創建項目時，請確保使用你之前創建的 `stock-detector-training` 資源。使用 *Object Detection* 項目類型和 *Products on Shelves* 域。
✅ *Products on Shelves* 域專門用於檢測貨架上的庫存。閱讀更多有關不同域的信息，請參考 [Microsoft Docs 上的 Select a domain 文檔](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/select-domain?WT.mc_id=academic-17441-jabenn#object-detection)。
@ -133,11 +133,11 @@
1. 按照 Microsoft Docs 上 [Build an object detector quickstart 的 Upload and tag images 部分](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/get-started-build-detector?WT.mc_id=academic-17441-jabenn#upload-and-tag-images) 上傳你的訓練影像。根據你想檢測的物件類型創建相關標籤。
上圖的寬度為600像素，高度為800像素。邊界框從320像素處開始，給出上邊距值為0.4（800 x 0.4 = 320）。從左側開始，邊界框從240像素處開始，給出左邊距值為0.4（600 x 0.4 = 240）。邊界框的高度為240像素，給出高度值為0.3（800 x 0.3 = 240）。邊界框的寬度為120像素，給出寬度值為0.2（600 x 0.2 = 120）。
你可以使用 LUIS（Language Understanding Intelligent Service），一個來自 Microsoft 的語言理解服務，來創建語言理解模型。LUIS 是認知服務的一部分。
@ -169,7 +169,7 @@
1. 當你輸入每個示例時，LUIS 會開始檢測實體，並將檢測到的實體用下劃線標記並標籤。
我們有兩個物聯網硬件選擇，視個人喜好、編程語言知識或偏好、學習目標及可用性而定。我們亦提供了「虛擬硬件」版本，適合沒有硬件的用家，或想在購買前多了解的學習者。您可以在[硬件頁面](./hardware.md)閱讀更多內容及「購物清單」，其中包括我們的合作夥伴 Seeed Studio 提供的完整套件購買連結。
我們提供兩款 IoT 硬體選項，供專案使用，取決於個人喜好、程式語言知識或學習目標與硬體可用性。另也提供「虛擬硬體」版本，適合尚無硬體或想先學習再購買的人。你可以在 [硬體頁面](./hardware.md) 詳讀更多內容，並取得購買套件的清單，亦包含我們合作夥伴 Seeed Studio 的連結。
| 03 | [Getting started](./1-getting-started/README.md) | 使用感測器與執行器與物理世界互動 | 瞭解如何利用感測器擷取物理世界資料，與利用執行器傳送反饋，同時打造一個夜燈 | [Interact with the physical world with sensors and actuators](./1-getting-started/lessons/3-sensors-and-actuators/README.md) |
| 04 | [Getting started](./1-getting-started/README.md) | 將您的裝置連接到網際網路 | 學習如何將物聯網裝置連接到網際網路，透過連接夜燈到 MQTT 代理伺服器來傳送與接收訊息 | [Connect your device to the Internet](./1-getting-started/lessons/4-connect-internet/README.md) |
| 15 | [Manufacturing](./4-manufacturing/README.md) | 訓練水果品質檢測器 | 了解如何在雲端訓練影像分類器來檢測水果品質 | [Train a fruit quality detector](./4-manufacturing/lessons/1-train-fruit-detector/README.md) |
| 16 | [Manufacturing](./4-manufacturing/README.md) | 從物聯網裝置檢查水果品質 | 了解如何從物聯網裝置使用您的水果品質檢測器 | [Check fruit quality from an IoT device](./4-manufacturing/lessons/2-check-fruit-from-device/README.md) |
| 17 | [Manufacturing](./4-manufacturing/README.md) | 在邊緣運行您的水果檢測器 | 了解如何在物聯網邊緣裝置上運行您的水果檢測器 | [Run your fruit detector on the edge](./4-manufacturing/lessons/3-run-fruit-detector-edge/README.md) |
| 18 | [Manufacturing](./4-manufacturing/README.md) | 從感測器觸發水果品質檢測 | 了解如何從感測器觸發水果品質檢測 | [Trigger fruit quality detection from a sensor](./4-manufacturing/lessons/4-trigger-fruit-detector/README.md) |
您可以生成內容的 PDF 以供離線使用。請確定已安裝 [npm](https://docs.npmjs.com/downloading-and-installing-node-js-and-npm)，並在本儲存庫根目錄執行以下指令：
如有需要，您可以生成本內容的 PDF 以便離線存取。請確保您已[安裝 npm](https://docs.npmjs.com/downloading-and-installing-node-js-and-npm)，並在本倉庫根目錄執行以下命令：
```sh
npm i
npm run convert
```
### 投影片
部分課程有相應的投影片，請見 [slides](../../slides) 資料夾。
部分課程有投影片，可於 [slides](../../slides) 資料夾找到。
## 其他課程
我們團隊還有其他課程！歡迎參考：
我們的團隊還有其他課程！請查看：
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
**[Seeed 和 Microsoft 的物聯網入門 - Raspberry Pi 4 初學者套件](https://www.seeedstudio.com/IoT-for-beginners-with-Seeed-and-Microsoft-Raspberry-Pi-Starter-Kit-p-5004.html)**
[](https://www.seeedstudio.com/IoT-for-beginners-with-Seeed-and-Microsoft-Raspberry-Pi-Starter-Kit-p-5004.html)
[](https://www.seeedstudio.com/IoT-for-beginners-with-Seeed-and-Microsoft-Raspberry-Pi-Starter-Kit-p-5004.html)
> 💁 CPU 使用 [取指-解碼-執行週期](https://wikipedia.org/wiki/Instruction_cycle) 執行程序。每次時鐘滴答，CPU 從記憶體中取指令，解碼，然後執行，例如使用算術邏輯單元 (ALU) 加法兩個數字。一些執行可能需要多個滴答才能完成，因此下一個週期將在指令完成後的下一次滴答運行。
微控制器的時鐘速度遠低於桌上型或筆記型電腦，甚至大多數智能手機。比如 Wio Terminal 的 CPU 運行速度為 120MHz，即每秒 120,000,000 次週期。
@ -182,7 +182,7 @@ Arduino 開發板使用 C 或 C++ 進行程式設計。使用 C/C++ 可以使程
當設備連接到物聯網服務時，它會使用一個 ID 來識別自己。問題是這個 ID 可以被複製——駭客可以設置一個惡意設備，使用與真實設備相同的 ID，但發送虛假數據。
> 💁 您可能已經在不知不覺中使用過地理圍欄。如果您曾使用 iOS 提醒應用或 Google Keep 根據位置設置提醒，那麼您就使用過地理圍欄。這些應用會根據提供的位置設置地理圍欄，並在您的手機進入地理圍欄時提醒您。
ML 模型不會給出二元答案，而是提供概率。例如，模型可能會給出一張香蕉圖片，預測 `成熟` 的概率為 99.7%，`未成熟` 的概率為 0.3%。您的代碼會選擇最可能的預測，並判斷該香蕉是成熟的。
@ -90,7 +90,7 @@ ML 模型不會給出二元答案，而是提供概率。例如，模型可能
Custom Vision 是一種基於雲的工具，用於訓練圖像分類器。它允許您僅使用少量圖片來訓練分類器。您可以通過 Web 入口、Web API 或 SDK 上傳圖片，並為每張圖片添加 *標籤*，以標識該圖片的分類。然後，您可以訓練模型並測試其性能。一旦對模型感到滿意，您可以發布模型的版本，通過 Web API 或 SDK 訪問它。
1. 將扁平排線穿過 Grove Base Hat 上的相機槽。確保排線的藍色面朝向標有 **A0**、**A1** 等的類比端口。
1. 將扁平排線插入 Raspberry Pi 上的相機端口。同樣，拉起黑色塑料夾，插入排線，然後將夾子推回原位。排線的藍色面應朝向 USB 和以太網端口。
localizeflow[bot]
3 weeks ago