היא תסומן כ-*Disconnected*, עם הנורית בפינה הימנית העליונה כבויה.
@ -224,7 +224,7 @@
1. בטרמינל החדש, הרץ את הקובץ `app.py` כפי שעשית קודם. הסטטוס של CounterFit ישתנה ל-**Connected** והנורית תידלק.
> 💁 תוכל למצוא את הקוד הזה בתיקייה [code/virtual-device](../../../../../1-getting-started/lessons/1-introduction-to-iot/code/virtual-device).
> סקיצה מאת [ניטיה נאראסימהאן](https://github.com/nitya). לחצו על התמונה לגרסה גדולה יותר.
@ -38,7 +38,7 @@
מכשירים אלו מתקשרים עם העולם הפיזי, או באמצעות חיישנים לאיסוף נתונים מהסביבה שלהם, או על ידי שליטה בפלטים או מפעילים (actuators) כדי לבצע שינויים פיזיים. דוגמה טיפוסית לכך היא תרמוסטט חכם - מכשיר שיש לו חיישן טמפרטורה, אמצעי לקביעת טמפרטורה רצויה כמו חוגה או מסך מגע, וחיבור למערכת חימום או קירור שניתן להפעיל כאשר הטמפרטורה הנמדדת חורגת מהטווח הרצוי. חיישן הטמפרטורה מזהה שהחדר קר מדי, והמפעיל מדליק את החימום.
יש מגוון עצום של דברים שיכולים לשמש כמכשירי IoT, החל מחומרה ייעודית שמזהה דבר אחד, ועד מכשירים כלליים, אפילו הטלפון החכם שלכם! טלפון חכם יכול להשתמש בחיישנים כדי לזהות את העולם סביבו, ובמפעילים כדי לתקשר עם העולם - לדוגמה, שימוש בחיישן GPS כדי לזהות את מיקומכם ורמקול כדי לתת הוראות ניווט ליעד.
@ -54,7 +54,7 @@
לדוגמה, בתרמוסטט חכם, התרמוסטט יתחבר באמצעות WiFi ביתי לשירות ענן. הוא ישלח את נתוני הטמפרטורה לשירות הענן, ומשם הנתונים ייכתבו למסד נתונים כלשהו, מה שיאפשר לבעל הבית לבדוק את הטמפרטורה הנוכחית והעברית באמצעות אפליקציה בטלפון. שירות נוסף בענן יידע מהי הטמפרטורה הרצויה לבעל הבית, וישלח הודעות חזרה למכשיר IoT דרך שירות הענן כדי להפעיל או לכבות את מערכת החימום.
גרסה חכמה יותר יכולה להשתמש בבינה מלאכותית בענן עם נתונים מחיישנים אחרים המחוברים למכשירי IoT אחרים, כמו חיישני נוכחות שמזהים אילו חדרים בשימוש, כמו גם נתונים כמו מזג האוויר ואפילו לוח השנה שלכם, כדי לקבל החלטות על הגדרת הטמפרטורה בצורה חכמה. לדוגמה, היא יכולה לכבות את החימום אם היא מזהה מלוח השנה שאתם בחופשה, או לכבות את החימום לפי חדרים בהתאם לשימוש שלכם, וללמוד מהנתונים כדי להיות מדויקת יותר עם הזמן.
@ -94,7 +94,7 @@
> 💁 מעבדים מבצעים תוכניות באמצעות [מחזור אחזור-פענוח-ביצוע](https://wikipedia.org/wiki/Instruction_cycle). בכל תקתוק שעון, המעבד יאחזר את ההוראה הבאה מהזיכרון, יפענח אותה, ואז יבצע אותה, כמו שימוש ביחידת לוגיקה אריתמטית (ALU) כדי לחבר שני מספרים. חלק מהביצועים ייקחו מספר תקתוקים, ולכן המחזור הבא יפעל בתקתוק הבא לאחר שההוראה הושלמה.
למיקרו-בקרים יש מהירויות שעון נמוכות בהרבה ממחשבים שולחניים או ניידים, או אפילו מרוב הטלפונים החכמים. לדוגמה, למיקרו-בקר Wio Terminal יש מעבד שפועל במהירות של 120MHz או 120,000,000 מחזורים בשנייה.
@ -182,7 +182,7 @@ RAM הוא הזיכרון שבו התוכנית משתמשת בזמן הריצה
אתם תכתבו את קוד ההגדרות שלכם בפונקציה `setup`, כמו התחברות ל-WiFi ושירותי ענן או אתחול פינים לקלט ופלט. קוד הלולאה שלכם יכיל קוד עיבוד, כמו קריאה מחיישן ושליחת הערך לענן. בדרך כלל תכללו עיכוב בכל לולאה, לדוגמה, אם אתם רוצים לשלוח נתוני חיישן רק כל 10 שניות, תוסיפו עיכוב של 10 שניות בסוף הלולאה כך שהמיקרו-בקר יוכל לישון, לחסוך באנרגיה, ואז להריץ את הלולאה שוב כעבור 10 שניות.
✅ ארכיטקטורת תוכנה זו מכונה *לולאת אירועים* או *לולאת הודעות*. יישומים רבים משתמשים בזה מאחורי הקלעים וזהו הסטנדרט עבור רוב יישומי שולחן העבודה שמריצים מערכות הפעלה כמו Windows, macOS או Linux. הפונקציה `loop` מאזינה להודעות מרכיבי ממשק משתמש כמו כפתורים, או מכשירים כמו מקלדת, ומגיבה אליהם. תוכלו לקרוא עוד במאמר זה על [לולאת אירועים](https://wikipedia.org/wiki/Event_loop).
# אינטראקציה עם העולם הפיזי באמצעות חיישנים ומפעילים
> סקיצה מאת [ניטיה נאראסימן](https://github.com/nitya). לחצו על התמונה לגרסה גדולה יותר.
@ -81,7 +81,7 @@
מכשירי IoT הם דיגיטליים - הם לא יכולים לעבוד עם ערכים אנלוגיים, אלא רק עם 0 ו-1. משמעות הדבר היא שערכי חיישנים אנלוגיים צריכים להיות מומרצים לאות דיגיטלי לפני שניתן לעבד אותם. מכשירי IoT רבים כוללים ממירי אנלוגי-לדיגיטלי (ADCs) כדי להמיר קלטים אנלוגיים לייצוגים דיגיטליים של ערכם. חיישנים יכולים גם לעבוד עם ADCs דרך לוח מחבר.
...
בדומה לחיישנים, מכשיר ה-IoT עצמו עובד עם אותות דיגיטליים, לא אנלוגיים. המשמעות היא שכדי לשלוח אות אנלוגי, מכשיר ה-IoT זקוק לממיר דיגיטלי לאנלוגי (DAC), או על המכשיר עצמו או על לוח מחבר. ממיר זה יהפוך את ה-0 וה-1 מהמכשיר לאות מתח אנלוגי שהמפעיל יכול להשתמש בו.
@ -128,7 +128,7 @@
מפעיל דיגיטלי פשוט הוא לד (LED). כאשר מכשיר שולח אות דיגיטלי של 1, נשלח מתח גבוה שמדליק את הלד. כאשר נשלח אות דיגיטלי של 0, המתח יורד ל-0V והלד נכבה.
✅ אילו מפעילים פשוטים בעלי שני מצבים נוספים אתם יכולים לחשוב עליהם? דוגמה אחת היא סולנואיד, שהוא אלקטרומגנט שניתן להפעיל כדי לבצע פעולות כמו הזזת בריח דלת לנעילה/פתיחה של דלת.
1. בחר את ה-LED המועדף עליך והכנס את הרגליים לשני החורים שבמודול ה-LED.
@ -40,7 +40,7 @@ Otherwise
1. כאשר ה-Raspberry Pi כבוי, חבר את הקצה השני של כבל Grove לשקע הדיגיטלי המסומן **D5** על כובע הבסיס של Grove שמחובר ל-Pi. שקע זה הוא השני משמאל, בשורה של השקעים ליד פיני GPIO.
1. הכנס קצה אחד של כבל Grove לשקע על מודול חיישן האור. הכבל ייכנס רק בכיוון אחד.
1. כאשר ה-Raspberry Pi כבוי, חבר את הקצה השני של כבל Grove לשקע האנלוגי המסומן **A0** על כובע הבסיס של Grove שמחובר ל-Pi. שקע זה הוא השני מימין, בשורה של השקעים ליד פיני GPIO.
> סקיצה מאת [Nitya Narasimhan](https://github.com/nitya). לחץ על התמונה לגרסה גדולה יותר.
@ -47,7 +47,7 @@ MQTT הוא פרוטוקול התקשורת הפופולרי ביותר למכש
MQTT כולל מתווך יחיד ומספר לקוחות. כל הלקוחות מתחברים למתווך, והמתווך מנתב הודעות ללקוחות הרלוונטיים. הודעות מנותבות באמצעות נושאים (topics) שמותיים, במקום להישלח ישירות ללקוח מסוים. לקוח יכול לפרסם לנושא, וכל לקוח שנרשם לנושא הזה יקבל את ההודעה.
✅ בצעו מחקר. אם יש לכם הרבה מכשירי IoT, איך תוכלו להבטיח שהמתווך של MQTT יוכל להתמודד עם כל ההודעות?
@ -69,7 +69,7 @@ MQTT כולל מתווך יחיד ומספר לקוחות. כל הלקוחות
> 💁 מתווך הבדיקה הזה הוא ציבורי ואינו מאובטח. כל אחד יכול להאזין למה שאתם מפרסמים, ולכן לא כדאי להשתמש בו עם נתונים שצריכים להישאר פרטיים.
עקבו אחר הצעד הרלוונטי למטה כדי לחבר את המכשיר שלכם למתווך MQTT:
@ -350,7 +350,7 @@ MQTT גם תומך בפונקציית שמירה על חיבור שמוודאת
מעצבי מכשירי IoT צריכים גם לשקול אם ניתן להשתמש במכשיר IoT במהלך תקלה באינטרנט או אובדן אות שנגרם על ידי מיקום. תרמוסטט חכם צריך להיות מסוגל לקבל החלטות מוגבלות לשליטה בחימום אם הוא לא יכול לשלוח טלמטריה לענן עקב תקלה.
[](https://twitter.com/internetofshit/status/1315736960082808832)
[](https://twitter.com/internetofshit/status/1315736960082808832)
כדי ש-MQTT יטפל באובדן קישוריות, קוד המכשיר והשרת יצטרכו להיות אחראים להבטחת מסירת הודעות אם היא נדרשת, לדוגמה על ידי דרישה שכל ההודעות שנשלחות ייענו בהודעות נוספות בנושא תשובה, ואם לא הן יתווספו לתור באופן ידני כדי להישלח מחדש מאוחר יותר.
@ -358,7 +358,7 @@ MQTT גם תומך בפונקציית שמירה על חיבור שמוודאת
פקודות הן הודעות שנשלחות מהענן למכשיר, ומורות לו לעשות משהו. רוב הזמן זה כרוך במתן סוג של פלט באמצעות מפעיל, אבל זה יכול להיות הוראה למכשיר עצמו, כמו לבצע אתחול מחדש, או לאסוף טלמטריה נוספת ולהחזיר אותה כתגובה לפקודה.
לדוגמה, תרמוסטט יכול לקבל פקודה מהענן להפעיל את החימום. בהתבסס על נתוני הטלמטריה מכל החיישנים, אם שירות הענן החליט שהחימום צריך להיות מופעל, הוא שולח את הפקודה הרלוונטית.
> סקיצה מאת [ניטיה נאראסימן](https://github.com/nitya). לחצו על התמונה לגרסה גדולה יותר.
@ -90,7 +90,7 @@
הנוסחה המלאה ל-GDD מעט מורכבת, אבל יש משוואה פשוטה שמשמשת לעיתים קרובות כהערכה טובה:
* **GDD** - זהו מספר ימי דרגת הצמיחה
* **T max** - זו הטמפרטורה היומית המקסימלית בצלזיוס
@ -118,7 +118,7 @@
זה נותן חישוב של:
התירס קיבל 4 GDD באותו יום. בהנחה של זן תירס שזקוק ל-800 GDD כדי להבשיל, הוא יזדקק לעוד 796 GDD כדי להגיע לבגרות.
@ -239,7 +239,7 @@
לדוגמה, אם הטמפרטורה הגבוהה ביותר של היום היא 25°C, והנמוכה ביותר היא 12°C:
1. הכניסו קצה אחד של כבל Grove לשקע שעל חיישן הלחות והטמפרטורה. הכבל ייכנס רק בכיוון אחד.
1. כאשר ה-Raspberry Pi כבוי, חברו את הקצה השני של כבל ה-Grove לשקע הדיגיטלי המסומן **D5** על כובע הבסיס של Grove המחובר ל-Pi. שקע זה הוא השני משמאל, בשורת השקעים הסמוכה לפינים של GPIO.
@ -13,7 +13,7 @@ C, מבוטא *איי בריבוע סי*, הוא פרוטוקול רב-בקר ו
| VCC | אספן מתח משותף | ספק הכוח למכשירים. זה מחובר לחוטי SDA ו-SCL כדי לספק להם כוח דרך נגד משיכה שמכבה את האות כאשר אין מכשיר שמשמש כבקר. |
| GND | קרקע | מספק קרקע משותפת למעגל החשמלי. |
כדי לשלוח נתונים, מכשיר אחד יפעיל תנאי התחלה כדי להראות שהוא מוכן לשלוח נתונים. הוא יהפוך אז לבקר. הבקר שולח את כתובת המכשיר שאליו הוא רוצה לתקשר, יחד עם מידע אם הוא רוצה לקרוא או לכתוב נתונים. לאחר שהנתונים הועברו, הבקר שולח תנאי עצירה כדי להצביע על כך שסיים. לאחר מכן מכשיר אחר יכול להפוך לבקר ולשלוח או לקבל נתונים.
* W - משקל הקרקע הרטובה
* W - משקל הקרקע היבשה
לדוגמה, נניח שיש לכם דגימת קרקע שמשקלה 212 גרם כשהיא רטובה, ו-197 גרם כשהיא יבשה.
1. הכנס קצה אחד של כבל Grove לשקע על חיישן לחות הקרקע. הכבל ייכנס רק בכיוון אחד.
1. כשה-Raspberry Pi כבוי, חבר את הקצה השני של כבל Grove לשקע האנלוגי המסומן **A0** בכובע הבסיס של Grove המחובר ל-Pi. שקע זה הוא השני מימין, בשורה של השקעים ליד פיני ה-GPIO.
1. הכנס את חיישן לחות הקרקע לתוך הקרקע. יש לו 'קו מיקום עליון' - קו לבן שחוצה את החיישן. הכנס את החיישן עד לקו זה אך לא מעבר לו.
1. הכניסו קצה אחד של כבל Grove לשקע שבחיישן לחות הקרקע. הכבל ייכנס רק בכיוון אחד.
> סקיצה מאת [ניטיה נאראסימן](https://github.com/nitya). לחצו על התמונה לגרסה גדולה יותר.
@ -32,7 +32,7 @@
הפתרון לכך הוא לחבר את המשאבה למקור כוח חיצוני ולהשתמש במפעיל כדי להפעיל את המשאבה, בדומה לאופן שבו מפעילים אור. נדרש מעט מאוד כוח (בצורת אנרגיה בגוף שלכם) כדי שהאצבע שלכם תלחץ על מתג, וזה מחבר את האור לחשמל ביתי הפועל ב-110v/240v.
> 🎓 [חשמל ביתי](https://wikipedia.org/wiki/Mains_electricity) מתייחס לחשמל המסופק לבתים ולעסקים דרך תשתיות לאומיות בחלקים רבים בעולם.
@ -72,7 +72,7 @@
האלקטרומגנט לא צריך הרבה כוח כדי להפעיל ולמשוך את המנוף, ניתן לשלוט בו באמצעות יציאת 3.3V או 5V מערכת פיתוח IoT. מעגל הפלט יכול לשאת הרבה יותר כוח, תלוי בממסר, כולל מתח ביתי או אפילו רמות כוח גבוהות יותר לשימוש תעשייתי. כך ערכת פיתוח IoT יכולה לשלוט במערכת השקיה, ממשאבה קטנה לצמח יחיד ועד מערכת תעשייתית גדולה לחווה מסחרית שלמה.
התמונה למעלה מציגה ממסר Grove. מעגל הבקרה מתחבר למכשיר IoT ומפעיל או מכבה את הממסר באמצעות 3.3V או 5V. למעגל הפלט יש שני מסופים, כל אחד מהם יכול להיות כוח או קרקע. מעגל הפלט יכול להתמודד עם עד 250V ב-10A, מספיק למגוון מכשירים המופעלים על ידי חשמל ביתי. ניתן להשיג ממסרים שיכולים להתמודד עם רמות כוח גבוהות אף יותר.
1. הכנס קצה אחד של כבל Grove לשקע על הריליי. הוא ייכנס רק בכיוון אחד.
1. כאשר ה-Raspberry Pi כבוי, חבר את הקצה השני של כבל Grove לשקע הדיגיטלי המסומן **D5** על ה-Grove Base Hat המחובר ל-Pi. שקע זה הוא השני משמאל, בשורה של השקעים ליד פיני ה-GPIO. השאר את חיישן לחות הקרקע מחובר לשקע **A0**.
1. הכנס את חיישן לחות הקרקע לאדמה, אם הוא לא כבר מחובר מהשיעור הקודם.
> סקיצה מאת [Nitya Narasimhan](https://github.com/nitya). לחצו על התמונה לגרסה גדולה יותר.
@ -46,8 +46,8 @@
הענן מכונה לעיתים קרובות בצחוק "המחשב של מישהו אחר". הרעיון הראשוני היה פשוט - במקום לקנות מחשבים, שוכרים את המחשב של מישהו אחר. ספק מחשוב ענן היה מנהל מרכזי נתונים גדולים. הם היו אחראים על רכישת והתקנת החומרה, ניהול חשמל וקירור, רשתות, אבטחת הבניין, עדכוני חומרה ותוכנה, הכל. כלקוח, הייתם שוכרים את המחשבים שאתם צריכים, שוכרים יותר כאשר הביקוש עולה, ואז מפחיתים את הכמות שאתם שוכרים אם הביקוש יורד. מרכזי הנתונים הללו נמצאים בכל רחבי העולם.
מרכזי הנתונים הללו יכולים להיות בגודל של מספר קילומטרים רבועים. התמונות למעלה צולמו לפני כמה שנים במרכז נתונים של Microsoft בענן, ומראות את הגודל ההתחלתי, יחד עם הרחבה מתוכננת. השטח שנוקה להרחבה הוא מעל 5 קילומטרים רבועים.
@ -108,11 +108,11 @@ Azure הוא הענן למפתחים של Microsoft, וזהו הענן שבו ת
מכשירי IoT מתחברים לשירות ענן באמצעות SDK למכשיר (ספרייה שמספקת קוד לעבודה עם תכונות השירות) או ישירות דרך פרוטוקול תקשורת כמו MQTT או HTTP. ה-SDK למכשיר הוא בדרך כלל הדרך הקלה ביותר מכיוון שהוא מטפל בכל עבורכם, כמו לדעת אילו נושאים לפרסם או להירשם אליהם, וכיצד לטפל באבטחה.
המכשיר שלכם מתקשר עם חלקים אחרים של האפליקציה שלכם דרך השירות הזה - בדומה לאופן שבו שלחתם טלמטריה וקיבלתם פקודות דרך MQTT. זה נעשה בדרך כלל באמצעות SDK לשירות או ספרייה דומה. הודעות מגיעות מהמכשיר שלכם לשירות, שם רכיבים אחרים של האפליקציה שלכם יכולים לקרוא אותן, והודעות יכולות להישלח בחזרה למכשיר שלכם.
שירותים אלו מיישמים אבטחה על ידי ידיעה על כל המכשירים שיכולים להתחבר ולשלוח נתונים, או על ידי רישום מראש של המכשירים בשירות, או על ידי מתן מפתחות סודיים או תעודות למכשירים שהם יכולים להשתמש בהם כדי לרשום את עצמם בשירות בפעם הראשונה שהם מתחברים. מכשירים לא מוכרים אינם יכולים להתחבר, ואם הם מנסים השירות דוחה את החיבור ומתעלם מהודעות שנשלחות על ידם.
@ -124,7 +124,7 @@ Azure הוא הענן למפתחים של Microsoft, וזהו הענן שבו ת
עכשיו כשיש לך מנוי ל-Azure, תוכל להירשם לשירות IoT. שירות ה-IoT של Microsoft נקרא Azure IoT Hub.
> סקיצה מאת [ניטיה נאראסימן](https://github.com/nitya). לחץ על התמונה לגרסה גדולה יותר.
@ -28,7 +28,7 @@
ללא שרת, או מחשוב ללא שרת, כולל יצירת בלוקים קטנים של קוד שמופעלים בענן בתגובה לסוגים שונים של אירועים. כאשר האירוע מתרחש, הקוד שלך מופעל ומועבר אליו מידע על האירוע. אירועים אלו יכולים להגיע ממגוון מקורות, כולל בקשות אינטרנט, הודעות בתור, שינויים בנתונים בבסיס נתונים, או הודעות שנשלחות לשירות IoT על ידי מכשירי IoT.
> 💁 אם השתמשת בעבר בטריגרים של בסיס נתונים, תוכל לחשוב על זה כמשהו דומה - קוד שמופעל על ידי אירוע כמו הכנסת שורה.
@ -54,7 +54,7 @@
שירות המחשוב ללא שרת של מיקרוסופט נקרא Azure Functions.
הסרטון הקצר למטה מציג סקירה כללית של Azure Functions.
> סקיצה מאת [ניטיה נאראסימהן](https://github.com/nitya). לחץ על התמונה לגרסה גדולה יותר.
@ -52,11 +52,11 @@
כאשר מכשיר מתחבר לשירות IoT, הוא משתמש במזהה כדי לזהות את עצמו. הבעיה היא שמזהה זה יכול להיות משוכפל - האקר יכול להקים מכשיר זדוני שמשתמש באותו מזהה כמו מכשיר אמיתי אך שולח נתונים מזויפים.
הפתרון לכך הוא להמיר את הנתונים הנשלחים לפורמט מוצפן, באמצעות ערך מסוים הידוע רק למכשיר ולענן. תהליך זה נקרא *הצפנה*, והערך המשמש להצפנת הנתונים נקרא *מפתח הצפנה*.
שירות הענן יכול אז להמיר את הנתונים בחזרה לפורמט קריא, באמצעות תהליך שנקרא *פענוח*, באמצעות אותו מפתח הצפנה או *מפתח פענוח*. אם ההודעה המוצפנת לא ניתנת לפענוח על ידי המפתח, המכשיר נפרץ וההודעה נדחית.
> סקיצה מאת [ניטיה נאראסימהאן](https://github.com/nitya). לחצו על התמונה לגרסה גדולה יותר.
@ -63,13 +63,13 @@ IoT משנה את הדרך שבה סחורות מועברות על ידי יצי
> 💁 אף אחד לא באמת יודע את הסיבה המקורית לכך שמעגלים מחולקים ל-360 מעלות. [עמוד הוויקיפדיה על מעלה (זווית)](https://wikipedia.org/wiki/Degree_(angle)) מכסה כמה מהסיבות האפשריות.
קו רוחב נמדד באמצעות קווים שמקיפים את כדור הארץ ורצים במקביל לקו המשווה, ומחלקים את ההמיספרות הצפונית והדרומית ל-90° כל אחת. קו המשווה נמצא ב-0°, הקוטב הצפוני ב-90°, הידוע גם כ-90° צפון, והקוטב הדרומי ב--90°, או 90° דרום.
קו אורך נמדד כמספר המעלות ממזרח למערב. נקודת ה-0° של קו האורך נקראת *מרידיאן הראשי*, והיא הוגדרה בשנת 1884 כקו מהקוטב הצפוני לקוטב הדרומי שעובר דרך [מצפה הכוכבים המלכותי בגריניץ', אנגליה](https://wikipedia.org/wiki/Royal_Observatory,_Greenwich).
> 🎓 מרידיאן הוא קו דמיוני ישר שעובר מהקוטב הצפוני לקוטב הדרומי, ויוצר חצי מעגל.
@ -100,7 +100,7 @@ IoT משנה את הדרך שבה סחורות מועברות על ידי יצי
* רוחב של 47.6423109 (47.6423109 מעלות צפונית לקו המשווה)
* אורך של -122.1390293 (122.1390293 מעלות מערבית למרידיאן הראשי).
## מערכות מיקום גלובליות (GPS)
@ -112,7 +112,7 @@ IoT משנה את הדרך שבה סחורות מועברות על ידי יצי
> 💁 חיישני GPS זקוקים לאנטנות כדי לזהות גלי רדיו. האנטנות המובנות במשאיות וברכבים עם GPS מובנה ממוקמות כך שיקבלו אות טוב, בדרך כלל על השמשה הקדמית או הגג. אם אתם משתמשים במערכת GPS נפרדת, כמו סמארטפון או מכשיר IoT, עליכם לוודא שהאנטנה המובנית במערכת ה-GPS או בטלפון נראית לשמיים, כמו התקנה על השמשה הקדמית.
לווייני GPS מקיפים את כדור הארץ, ולא נמצאים בנקודה קבועה מעל החיישן, ולכן נתוני מיקום כוללים גובה מעל פני הים בנוסף לרוחב ואורך.
1. הכנס קצה אחד של כבל Grove לשקע בחיישן ה-GPS. הכבל ייכנס רק בכיוון אחד.
1. כאשר ה-Raspberry Pi כבוי, חבר את הקצה השני של כבל Grove לשקע UART המסומן **UART** על כובע הבסיס של Grove המחובר ל-Pi. שקע זה נמצא בשורה האמצעית, בצד הקרוב לחריץ כרטיס ה-SD, בצד השני מהשקעים של ה-USB והאת'רנט.
1. מקם את חיישן ה-GPS כך שהאנטנה המחוברת תהיה עם ראות לשמיים - רצוי ליד חלון פתוח או בחוץ. קל יותר לקבל אות ברור כאשר אין מכשולים בדרך של האנטנה.
* הגדירו את **Source** ל-`Lat/Lon`, והגדירו קו רוחב, קו אורך ומספר לוויינים ששימשו לקבלת תיקון GPS. ערך זה יישלח רק פעם אחת, לכן סמנו את תיבת **Repeat** כדי שהנתונים יחזרו כל שנייה.
* הגדירו את **Source** ל-`NMEA` והוסיפו כמה משפטי NMEA לתיבת הטקסט. כל הערכים הללו יישלחו, עם עיכוב של שנייה אחת לפני כל משפט GGA (תיקון מיקום) חדש שניתן לקרוא.
תוכלו להשתמש בכלי כמו [nmeagen.org](https://www.nmeagen.org) כדי ליצור את המשפטים הללו על ידי ציור על מפה. ערכים אלו יישלחו רק פעם אחת, לכן סמנו את תיבת **Repeat** כדי שהנתונים יחזרו שנייה אחת לאחר שכל הנתונים נשלחו.
* הגדירו את **Source** לקובץ GPX, והעלו קובץ GPX עם מיקומי מסלול. תוכלו להוריד קבצי GPX ממספר אתרי מפות וטיולים פופולריים, כמו [AllTrails](https://www.alltrails.com/). קבצים אלו מכילים מיקומי GPS מרובים כנתיב, וחיישן ה-GPS יחזיר כל מיקום חדש במרווחים של שנייה אחת.
ערכים אלו יישלחו רק פעם אחת, לכן סמנו את תיבת **Repeat** כדי שהנתונים יחזרו שנייה אחת לאחר שכל הנתונים נשלחו.
> סקיצה מאת [ניטיה נאראסימהן](https://github.com/nitya). לחצו על התמונה לגרסה גדולה יותר.
@ -75,7 +75,7 @@
> 💁 למרות שמם, חלק מבסיסי נתונים NoSQL מאפשרים להשתמש ב-SQL כדי לשאול את הנתונים.
בסיסי נתונים NoSQL אינם כוללים סכימה מוגדרת מראש שמגבילה כיצד הנתונים מאוחסנים, במקום זאת ניתן להכניס כל נתון לא מובנה, בדרך כלל באמצעות מסמכי JSON. מסמכים אלו יכולים להיות מאורגנים בתיקיות, בדומה לקבצים במחשב שלכם. כל מסמך יכול לכלול שדות שונים ממסמכים אחרים - לדוגמה, אם תאחסנו נתוני IoT מרכבי החווה שלכם, חלקם עשויים לכלול שדות עבור נתוני תאוצה ומהירות, אחרים עשויים לכלול שדות עבור הטמפרטורה בקרון. אם תוסיפו סוג משאית חדש, כמו אחת עם מאזניים מובנים למעקב אחר משקל התוצרת, מכשיר ה-IoT שלכם יוכל להוסיף שדה חדש זה והוא יוכל להישמר ללא שינויים בבסיס הנתונים.
@ -89,7 +89,7 @@
בשיעור הקודם לכדתם נתוני GPS מחיישן GPS המחובר למכשיר ה-IoT שלכם. כדי לאחסן נתוני IoT אלו בענן, עליכם לשלוח אותם לשירות IoT. שוב, תשתמשו ב-Azure IoT Hub, אותו שירות IoT בענן שבו השתמשתם בפרויקט הקודם.
ברגע שנתונים זורמים ל-IoT Hub, תוכלו לכתוב קוד ללא שרת שיקשיב לאירועים שמתפרסמים לנקודת הקצה התואמת ל-Event Hub. זהו הנתיב הפושר - נתונים אלו יאוחסנו וישמשו בשיעור הבא לצורך דיווח על המסלול.
חשבונות אחסון של Azure הם שירות אחסון רב-תכליתי שיכול לאחסן נתונים במגוון דרכים שונות. ניתן לאחסן נתונים כבלובים, בתורים, בטבלאות או כקבצים, והכול בו-זמנית.
> סקיצה מאת [ניטיה נאראסימן](https://github.com/nitya). לחצו על התמונה לגרסה גדולה יותר.
@ -64,11 +64,11 @@
כבן אדם, להבין את הנתונים הללו יכול להיות קשה. זו חומת מספרים ללא משמעות. כצעד ראשון להצגת הנתונים, ניתן למקם אותם על גרף קו:
ניתן לשפר את הגרף הזה על ידי הוספת קו שמציין מתי מערכת ההשקיה האוטומטית הופעלה בקריאת לחות קרקע של 450:
הגרף הזה מראה במהירות לא רק מה היו רמות לחות הקרקע, אלא גם את הנקודות שבהן מערכת ההשקיה הופעלה.
@ -84,7 +84,7 @@
עבודה עם מפות היא תרגיל מעניין, ויש הרבה שירותים לבחירה כמו Bing Maps, Leaflet, Open Street Maps ו-Google Maps. בשיעור הזה תלמדו על [Azure Maps](https://azure.microsoft.com/services/azure-maps/?WT.mc_id=academic-17441-jabenn) וכיצד הם יכולים להציג את נתוני ה-GPS שלכם.
Azure Maps הוא "אוסף של שירותים גיאו-מרחביים ו-SDKs שמשתמשים בנתוני מפות עדכניים כדי לספק הקשר גיאוגרפי לאפליקציות אינטרנט ומובייל." מפתחים מקבלים כלים ליצירת מפות יפות ואינטראקטיביות שיכולות לעשות דברים כמו לספק מסלולי תנועה מומלצים, לתת מידע על תקריות תנועה, ניווט פנימי, יכולות חיפוש, מידע על גובה, שירותי מזג אוויר ועוד.
@ -185,7 +185,7 @@ Azure Maps הוא "אוסף של שירותים גיאו-מרחביים ו-SDKs
אם תפתחו את קובץ `index.html` שלכם בדפדפן אינטרנט, אתם אמורים לראות מפה נטענת, ממוקדת באזור סיאטל.
✅ נסו לשנות את פרמטרי הזום והמרכז כדי לשנות את תצוגת המפה שלכם. תוכלו להוסיף קואורדינטות שונות בהתאם לנתוני הרוחב והאורך שלכם כדי למרכז מחדש את המפה.
@ -319,7 +319,7 @@ Azure Maps הוא "אוסף של שירותים גיאו-מרחביים ו-SDKs
1. טענו את דף ה-HTML בדפדפן שלכם. הוא יטען את המפה, ואז יטען את כל נתוני ה-GPS מהאחסון ויציג אותם על המפה.
> 💁 תוכלו למצוא את הקוד הזה בתיקיית [code](../../../../../3-transport/lessons/3-visualize-location-data/code).
> סקיצה מאת [ניטיה נאראסימן](https://github.com/nitya). לחצו על התמונה לגרסה גדולה יותר.
@ -35,7 +35,7 @@
גדר גיאוגרפית היא גבול וירטואלי לאזור גיאוגרפי בעולם האמיתי. גדרות גיאוגרפיות יכולות להיות מעגלים המוגדרים כנקודה ורדיוס (לדוגמה, מעגל ברוחב 100 מטר סביב בניין), או פוליגון המכסה אזור כמו אזור בית ספר, גבולות עיר, או קמפוס אוניברסיטה או משרדים.
> 💁 ייתכן שכבר השתמשתם בגדרות גיאוגרפיות מבלי לדעת. אם הגדרתם תזכורת באפליקציית התזכורות של iOS או Google Keep בהתבסס על מיקום, השתמשתם בגדר גיאוגרפית. אפליקציות אלו יגדירו גדר גיאוגרפית בהתבסס על המיקום שניתן ויתריעו לכם כאשר הטלפון שלכם נכנס לגדר הגיאוגרפית.
@ -212,7 +212,7 @@ Azure Maps, השירות שבו השתמשתם בשיעור הקודם כדי ל
לדוגמה, דמיינו קריאות GPS שמראות שרכב נוסע לאורך כביש שמסתיים ליד גדר גיאוגרפית. אם ערך GPS יחיד אינו מדויק וממקם את הרכב בתוך הגדר הגיאוגרפית, למרות שאין גישה לרכב, ניתן להתעלם ממנו.
בתמונה למעלה, יש גדר גיאוגרפית מעל חלק מקמפוס מיקרוסופט. הקו האדום מראה משאית שנוסעת לאורך כביש 520, עם עיגולים שמייצגים את קריאות ה-GPS. רוב הקריאות מדויקות ונמצאות לאורך כביש 520, אך ישנה קריאה אחת לא מדויקת בתוך הגדר הגיאוגרפית. אין אפשרות שהקריאה הזו נכונה - אין כבישים שמאפשרים למשאית לסטות פתאום מכביש 520 לתוך הקמפוס ואז לחזור לכביש 520. הקוד שבודק את הגדר הגיאוגרפית יצטרך לקחת בחשבון את הקריאות הקודמות לפני שיפעל על תוצאות הבדיקה של הגדר הגיאוגרפית.
✅ אילו נתונים נוספים הייתם צריכים לבדוק כדי לוודא אם קריאת GPS יכולה להיחשב נכונה?
@ -284,7 +284,7 @@ Azure Maps, השירות שבו השתמשתם בשיעור הקודם כדי ל
התשובה היא שהוא לא יכול! במקום זאת, תוכלו להגדיר מספר חיבורים נפרדים לקרוא אירועים, וכל אחד מהם יכול לנהל את הפעלת ההודעות שלא נקראו. אלה נקראים *קבוצות צרכנים*. כאשר אתם מתחברים לנקודת הקצה, תוכלו לציין לאיזו קבוצת צרכנים אתם רוצים להתחבר. כל רכיב באפליקציה שלכם יתחבר לקבוצת צרכנים שונה.
באופן תיאורטי, עד 5 אפליקציות יכולות להתחבר לכל קבוצת צרכנים, וכולן יקבלו הודעות כשהן מגיעות. מומלץ שיהיה רק יישום אחד שמתחבר לכל קבוצת צרכנים כדי להימנע מעיבוד כפול של הודעות, ולהבטיח שכאשר מפעילים מחדש כל ההודעות בתור יעובדו כראוי. לדוגמה, אם הפעלתם את אפליקציית Functions שלכם באופן מקומי וגם הפעלתם אותה בענן, שתיהן יעבדו הודעות, מה שיוביל לאחסון כפול של blobs בחשבון האחסון.
> סקיצה מאת [Nitya Narasimhan](https://github.com/nitya). לחצו על התמונה לגרסה גדולה יותר.
@ -38,7 +38,7 @@
העלייה בקטיף אוטומטי העבירה את מיון התוצרת מהקטיף למפעל. מזון היה נוסע על מסועים ארוכים עם צוותים של אנשים שמסירים כל דבר שלא עומד בסטנדרט האיכות הנדרש. הקטיף היה זול יותר בזכות מכונות, אבל עדיין הייתה עלות למיון ידני של המזון.
האבולוציה הבאה הייתה שימוש במכונות למיון, בין אם מובנות בתוך הקטיף או במפעלים לעיבוד. הדור הראשון של המכונות הללו השתמש בחיישנים אופטיים כדי לזהות צבעים, ששלטו במפעילים כדי לדחוף עגבניות ירוקות לפח פסולת באמצעות מנופים או פיצוצים של אוויר, והשאירו עגבניות אדומות להמשיך ברשת המסועים.
@ -62,7 +62,7 @@
> 🎓 התוצאות של מודלים של ML נקראות *תחזיות*
מודלים של ML לא נותנים תשובה בינארית, אלא נותנים הסתברויות. לדוגמה, מודל יכול לקבל תמונה של בננה ולחזות `בשלה` ב-99.7% ו`לא בשלה` ב-0.3%. הקוד שלכם יבחר את התחזית הטובה ביותר ויחליט שהבננה בשלה.
@ -90,7 +90,7 @@
Custom Vision הוא כלי מבוסס ענן לאימון מסווגי תמונות. הוא מאפשר לכם לאמן מסווג באמצעות מספר קטן של תמונות בלבד. אתם יכולים להעלות תמונות דרך פורטל אינטרנט, API ברשת או SDK, לתת לכל תמונה *תג* שמסווג את התמונה, ואז לאמן את המודל ולבדוק איך הוא מתפקד. ברגע שאתם מרוצים מהמודל, אתם יכולים לפרסם גרסאות שלו שניתן לגשת אליהן דרך API ברשת או SDK.
> 💁 אתם יכולים לאמן מודל Custom Vision עם מינימום של 5 תמונות לכל סיווג, אבל יותר זה טוב יותר. אתם יכולים לקבל תוצאות טובות יותר עם לפחות 30 תמונות.
@ -146,7 +146,7 @@ Custom Vision הוא חלק ממגוון כלים של AI מבית Microsoft ש
כאשר אתם יוצרים את הפרויקט שלכם, ודאו שאתם משתמשים במשאב `fruit-quality-detector-training` שיצרתם קודם. השתמשו בסוג פרויקט *Classification*, סוג סיווג *Multiclass*, ובתחום *Food*.
✅ הקדישו זמן לחקור את ממשק המשתמש של Custom Vision עבור מסווג התמונות שלכם.
@ -164,7 +164,7 @@ Custom Vision הוא חלק ממגוון כלים של AI מבית Microsoft ש
* השתמשו ב-2 בננות בשלות, צלמו כמה תמונות של כל אחת מזוויות שונות, לפחות 7 תמונות (5 לאימון, 2 לבדיקה), אך רצוי יותר.
* חזרו על אותו תהליך עם 2 בננות לא בשלות.
@ -174,7 +174,7 @@ Custom Vision הוא חלק ממגוון כלים של AI מבית Microsoft ש
1. עקבו אחר [העלאת תמונות ותיוגן במדריך המהיר לבניית מסווג במסמכי Microsoft](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/getting-started-build-a-classifier?WT.mc_id=academic-17441-jabenn#upload-and-tag-images) כדי להעלות את תמונות האימון שלכם. תייגו את הפירות הבשלים כ-`ripe` ואת הלא בשלים כ-`unripe`.
1. עקבו אחר [אימון המסווג במדריך המהיר לבניית מסווג במסמכי Microsoft](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/getting-started-build-a-classifier?WT.mc_id=academic-17441-jabenn#train-the-classifier) כדי לאמן את מסווג התמונות על התמונות שהעליתם.
@ -192,7 +192,7 @@ Custom Vision הוא חלק ממגוון כלים של AI מבית Microsoft ש
1. עקבו אחר [בדיקת המודל במסמכי Microsoft](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/test-your-model?WT.mc_id=academic-17441-jabenn#test-your-model) כדי לבדוק את מסווג התמונות שלכם. השתמשו בתמונות הבדיקה שיצרתם קודם, ולא באף אחת מהתמונות שבהן השתמשתם לאימון.
1. נסו את כל תמונות הבדיקה שיש לכם וצפו בהסתברויות.
> סקיצה מאת [ניטיה נאראסימן](https://github.com/nitya). לחצו על התמונה לגרסה גדולה יותר.
@ -26,7 +26,7 @@
חיישני מצלמה, כפי שהשם מרמז, הם מצלמות שניתן לחבר למכשיר IoT. הם יכולים לצלם תמונות סטילס או להקליט וידאו זורם. חלקם יחזירו נתוני תמונה גולמיים, בעוד אחרים ידחסו את הנתונים לקובץ תמונה כמו JPEG או PNG. בדרך כלל, המצלמות שעובדות עם מכשירי IoT קטנות יותר ובעלות רזולוציה נמוכה יותר ממה שאתם רגילים, אך ניתן להשיג מצלמות ברזולוציה גבוהה שמתחרות במצלמות של טלפונים מתקדמים. ניתן להשיג עדשות מתחלפות, מערכות מצלמות מרובות, מצלמות תרמיות אינפרא-אדום או מצלמות UV.
רוב חיישני המצלמה משתמשים בחיישני תמונה שבהם כל פיקסל הוא פוטודיודה. עדשה ממקדת את התמונה על חיישן התמונה, ואלפי או מיליוני פוטודיודות מזהות את האור הנופל על כל אחת מהן ומקליטות אותו כנתוני פיקסלים.
1. בדיאלוג *פרסום מודל*, הגדירו את *משאב התחזית* למשאב `fruit-quality-detector-prediction` שיצרתם בשיעור הקודם. השאירו את השם כ-`Iteration2`, ולחצו על כפתור **פרסום**.
@ -88,7 +88,7 @@
בנוסף, העתיקו את ערך *מפתח התחזית*. זהו מפתח מאובטח שעליכם להעביר כאשר אתם קוראים למודל. רק אפליקציות שמעבירות את המפתח הזה מורשות להשתמש במודל, כל אפליקציה אחרת תידחה.
✅ כאשר איטרציה חדשה מתפרסמת, יהיה לה שם שונה. כיצד לדעתכם ניתן לשנות את האיטרציה שבה משתמש מכשיר IoT?
@ -109,7 +109,7 @@
כדי לקבל את התוצאות הטובות ביותר ממסווג תמונות, כדאי לאמן את המודל עם תמונות שדומות ככל האפשר לתמונות המשמשות לתחזיות. אם השתמשתם במצלמת הטלפון שלכם לצילום תמונות לאימון, למשל, איכות התמונה, החדות והצבע יהיו שונים ממצלמה המחוברת למכשיר IoT.
בתמונה למעלה, תמונת הבננה משמאל צולמה באמצעות מצלמת Raspberry Pi, והתמונה מימין צולמה של אותה בננה באותו מיקום באמצעות iPhone. יש הבדל ניכר באיכות - תמונת ה-iPhone חדה יותר, עם צבעים בהירים יותר ויותר ניגודיות.
ניתן למצוא אנימציה שמראה כיצד לפתוח את הקליפס ולהכניס את הכבל בתיעוד [Raspberry Pi Getting Started with the Camera module](https://projects.raspberrypi.org/en/projects/getting-started-with-picamera/2).
1. הסירו את ה-Grove Base Hat מה-Pi.
1. העבירו את כבל הסרט דרך החריץ למצלמה ב-Grove Base Hat. ודאו שהצד הכחול של הכבל פונה לכיוון הפורטים האנלוגיים המסומנים **A0**, **A1** וכו'.
1. הכניסו את כבל הסרט לשקע המצלמה ב-Pi. שוב, משכו את הקליפס השחור למעלה, הכניסו את הכבל, ואז דחפו את הקליפס חזרה. הצד הכחול של הכבל צריך לפנות לכיוון פורטי ה-USB והאת'רנט.
1. החזירו את ה-Grove Base Hat למקומו.
@ -101,7 +101,7 @@
השורה `camera.rotation = 0` מגדירה את סיבוב התמונה. כבל הסרט נכנס לתחתית המצלמה, אך אם המצלמה שלכם סובבה כדי להקל על הצבעתה על האובייקט שברצונכם לסווג, תוכלו לשנות שורה זו למספר מעלות הסיבוב.
לדוגמה, אם תתלו את כבל הסרט מעל משהו כך שהוא יהיה בחלק העליון של המצלמה, הגדירו את הסיבוב ל-180:
תוכלו לראות את התמונה שצולמה, ואת הערכים הללו בלשונית **Predictions** ב-Custom Vision.
> 💁 תוכלו למצוא את הקוד הזה בתיקיית [code-classify/pi](../../../../../4-manufacturing/lessons/2-check-fruit-from-device/code-classify/pi) או [code-classify/virtual-iot-device](../../../../../4-manufacturing/lessons/2-check-fruit-from-device/code-classify/virtual-iot-device).
1. הגדירו את התמונה שהמצלמה ב-CounterFit תצלם. תוכלו להגדיר את *Source* ל-*File*, ואז להעלות קובץ תמונה, או להגדיר את *Source* ל-*WebCam*, ותמונות יילכדו מהמצלמה שלכם. ודאו שאתם לוחצים על כפתור **Set** לאחר בחירת תמונה או בחירת המצלמה.
1. תמונה תילכד ותישמר כ-`image.jpg` בתיקייה הנוכחית. תוכלו לראות את הקובץ הזה בסייר של VS Code. בחרו בקובץ כדי לצפות בתמונה. אם יש צורך בסיבוב, עדכנו את השורה `camera.rotation = 0` בהתאם וצילמו תמונה נוספת.
1. הפינים בבסיס ה-ArduCam צריכים להיות מחוברים לפיני GPIO ב-Wio Terminal. כדי להקל על מציאת הפינים הנכונים, הצמד את מדבקת פיני GPIO שמגיעה עם ה-Wio Terminal סביב הפינים:
@ -35,7 +35,7 @@
| SDA | 3 (I2C1_SDA) | נתונים סדרתיים I2C |
| SCL | 5 (I2C1_SCL) | שעון סדרתי I2C |
חיבורי GND ו-VCC מספקים ספק כוח של 5V ל-ArduCam. הוא פועל ב-5V, בניגוד לחיישני Grove שפועלים ב-3V. כוח זה מגיע ישירות מחיבור ה-USB-C שמספק כוח למכשיר.
@ -456,7 +456,7 @@
1. כבה את כרטיס ה-microSD והוצא אותו על ידי לחיצה קלה ושחרור, והוא יקפוץ החוצה. ייתכן שתצטרך להשתמש בכלי דק כדי לעשות זאת. חבר את כרטיס ה-microSD למחשב שלך כדי לצפות בתמונות.
💁 ייתכן שייקח כמה תמונות עד שהאיזון הלבן של המצלמה יתאים את עצמו. תבחינו בכך על סמך הצבע של התמונות שצולמו, הראשונות עשויות להיראות בצבע שגוי. תמיד תוכלו לעקוף זאת על ידי שינוי הקוד כך שיצלם כמה תמונות שמתעלמים מהן בפונקציית `setup`.
תוכלו לראות את התמונה שצולמה, ואת הערכים הללו בלשונית **Predictions** ב-Custom Vision.
> 💁 תוכלו למצוא את הקוד הזה בתיקייה [code-classify/wio-terminal](../../../../../4-manufacturing/lessons/2-check-fruit-from-device/code-classify/wio-terminal).
> סקיצה מאת [ניטיה נאראסימן](https://github.com/nitya). לחצו על התמונה לגרסה גדולה יותר.
@ -33,11 +33,11 @@
מחשוב קצה כולל מחשבים שמעבדים נתוני IoT קרוב ככל האפשר למקום שבו הנתונים נוצרים. במקום לעבד את הנתונים בענן, העיבוד מועבר לקצה הענן - הרשת הפנימית שלכם.
בשיעורים עד כה, היו לכם מכשירים שאספו נתונים ושלחו אותם לענן לניתוח, תוך הפעלת פונקציות ללא שרת או מודלים של AI בענן.
מחשוב קצה כולל העברת חלק משירותי הענן מהמחשוב בענן למחשבים שפועלים באותה רשת כמו מכשירי ה-IoT, תוך תקשורת עם הענן רק במידת הצורך. לדוגמה, ניתן להפעיל מודלים של AI על מכשירי קצה כדי לנתח בשלות של פירות, ולשלוח לענן רק ניתוחים, כמו מספר הפירות הבשלים לעומת הלא בשלים.
Azure IoT Edge הוא שירות שיכול לעזור לכם להעביר עומסי עבודה מהענן לקצה. אתם מגדירים מכשיר כמכשיר קצה, ומהענן תוכלו לפרוס קוד למכשיר הקצה הזה. זה מאפשר לכם לשלב את היכולות של הענן והקצה.
@ -99,7 +99,7 @@ IoT Edge מובנה ב-IoT Hub, כך שתוכלו לנהל מכשירי קצה
IoT Edge מפעיל קוד מתוך *קונטיינרים* - יישומים עצמאיים שפועלים בבידוד משאר היישומים במחשב שלכם. כאשר אתם מפעילים קונטיינר, הוא מתנהג כמו מחשב נפרד שפועל בתוך המחשב שלכם, עם התוכנה, השירותים והיישומים שלו. ברוב המקרים, קונטיינרים לא יכולים לגשת לשום דבר במחשב שלכם אלא אם תבחרו לשתף דברים כמו תיקייה עם הקונטיינר. הקונטיינר חושף אז שירותים דרך פורט פתוח שניתן להתחבר אליו או לחשוף לרשת שלכם.
לדוגמה, תוכלו להחזיק קונטיינר עם אתר אינטרנט שפועל על פורט 80, פורט ה-HTTP המוגדר כברירת מחדל, ואז לחשוף אותו מהמחשב שלכם גם על פורט 80.
@ -195,11 +195,11 @@ IoT Edge מפעיל קוד מתוך *קונטיינרים* - יישומים עצ
## הכנת הקונטיינר לפריסה
לאחר שהורדת את המודל שלך, יש לבנות אותו כקונטיינר ואז לדחוף אותו לרג'יסטרי קונטיינרים - מיקום מקוון שבו ניתן לאחסן קונטיינרים. IoT Edge יכול להוריד את הקונטיינר מהמאגרים ולדחוף אותו למכשיר שלך.
רג'יסטרי הקונטיינרים שבו תשתמש בשיעור זה הוא Azure Container Registry. זו אינה שירות חינמי, ולכן כדי לחסוך כסף ודא שאתה [מנקה את הפרויקט שלך](../../../clean-up.md) לאחר שתסיים.
התרשים לעיל מציג כמה מהרכיבים והשירותים שנלמדו בשיעורים אלו וכיצד הם מתחברים יחד בארכיטקטורת IoT לדוגמה.
@ -89,7 +89,7 @@
### יצירת אב-טיפוס לאפליקציה שלכם
התרשים לעיל מציג ארכיטקטורה לדוגמה לאפליקציה זו.
@ -124,7 +124,7 @@
לגלאי הפירות באב-טיפוס יש רכיבים מרובים שמתקשרים זה עם זה.
* חיישן קרבה שמודד את המרחק לפירות ושולח זאת ל-IoT Hub
* הפקודה לשלוט במצלמה שמגיעה מ-IoT Hub למכשיר המצלמה
1. הכנס קצה אחד של כבל Grove לשקע בחיישן ה-Time of Flight. הוא ייכנס רק בכיוון אחד.
1. הכנס קצה אחד של כבל Grove לשקע בחיישן Time of Flight. הכבל ייכנס רק בכיוון אחד.
> סקיצה מאת [ניטיה נאראסימן](https://github.com/nitya). לחצו על התמונה לגרסה גדולה יותר.
@ -36,7 +36,7 @@
סיווג תמונות עוסק בסיווג תמונה כולה - מה ההסתברויות שהתמונה כולה תואמת כל תגית. אתם מקבלים חזרה הסתברויות לכל תגית ששימשה לאימון המודל.
בדוגמה למעלה, שתי תמונות סווגו באמצעות מודל שאומן לסווג קופסאות אגוזי קשיו או פחיות רסק עגבניות. התמונה הראשונה היא קופסה של אגוזי קשיו, ויש לה שני תוצאות ממסווג התמונות:
@ -60,7 +60,7 @@
> 🎓 *תיבות גבול* הן התיבות סביב אובייקט.
התמונה למעלה מכילה גם קופסה של אגוזי קשיו וגם שלוש פחיות של רסק עגבניות. גלאי האובייקטים זיהה את אגוזי הקשיו, והחזיר את תיבת הגבול שמכילה את אגוזי הקשיו עם אחוז ההסתברות שהתיבה מכילה את האובייקט, במקרה הזה 97.6%. גלאי האובייקטים גם זיהה שלוש פחיות של רסק עגבניות, ומספק שלוש תיבות גבול נפרדות, אחת לכל פחית מזוהה, וכל אחת עם אחוז הסתברות שהתיבה מכילה פחית של רסק עגבניות.
@ -111,7 +111,7 @@
כשאתם יוצרים את הפרויקט, ודאו שאתם משתמשים במשאב `stock-detector-training` שיצרתם קודם. השתמשו בסוג הפרויקט *Object Detection* ובתחום *Products on Shelves*.
✅ תחום המוצרים על המדפים מותאם במיוחד לזיהוי מלאי על מדפי חנויות. קראו עוד על התחומים השונים בתיעוד [בחירת תחום בתיעוד של Microsoft](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. עקבו אחרי [החלק של העלאת תמונות ותיוגן במדריך המהיר לבניית גלאי אובייקטים בתיעוד של Microsoft](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/get-started-build-detector?WT.mc_id=academic-17441-jabenn#upload-and-tag-images) כדי להעלות את תמונות האימון שלכם. צרו תגיות רלוונטיות בהתאם לסוגי האובייקטים שברצונכם לזהות.
כשאתם מציירים תיבות גבול עבור אובייקטים, שמרו אותן צמודות לאובייקט. זה יכול לקחת זמן לסמן את כל התמונות, אבל הכלי יזהה מה הוא חושב כתיבות גבול, מה שיכול להאיץ את התהליך.
> 💁 אם יש לכם יותר מ-15 תמונות עבור כל אובייקט, תוכלו לאמן אחרי 15 ואז להשתמש בתכונת **Suggested tags**. זה ישתמש במודל המאומן כדי לזהות את האובייקטים בתמונה הלא מתויגת. תוכלו אז לאשר את האובייקטים המזוהים או לדחות ולצייר מחדש את תיבות הגבול. זה יכול לחסוך *הרבה* זמן.
@ -155,7 +155,7 @@
1. השתמשו בכפתור **Quick Test** כדי להעלות תמונות בדיקה ולאמת שהאובייקטים מזוהים. השתמשו בתמונות הבדיקה שיצרתם קודם, לא באף אחת מהתמונות ששימשו לאימון.
1. נסו את כל תמונות הבדיקה שיש לכם וצפו בהסתברויות.
1. בדיאלוג *Publish Model*, הגדירו את *Prediction resource* למשאב `stock-detector-prediction` שיצרתם בשיעור הקודם. השאירו את השם כ-`Iteration2`, ולחצו על כפתור **Publish**.
@ -76,7 +76,7 @@
בנוסף, העתיקו את ערך *Prediction-Key*. זהו מפתח מאובטח שעליכם להעביר כאשר אתם קוראים למודל. רק אפליקציות שמעבירות את המפתח הזה מורשות להשתמש במודל, וכל אפליקציה אחרת תידחה.
✅ כאשר איטרציה חדשה מתפרסמת, יהיה לה שם שונה. איך לדעתכם ניתן לשנות את האיטרציה שמכשיר IoT משתמש בה?
@ -95,7 +95,7 @@
תוצאות התחזית בלשונית **Predictions** ב-Custom Vision מציגות את תיבות הגבול על התמונה שנשלחה לתחזית.
בתמונה למעלה, זוהו 4 קופסאות רסק עגבניות. בתוצאות, ריבוע אדום מונח על כל אובייקט שזוהה בתמונה, ומציין את תיבת הגבול של התמונה.
@ -103,7 +103,7 @@
תיבות גבול מוגדרות עם 4 ערכים - עליון, שמאלי, גובה ורוחב. ערכים אלו נמצאים בסקאלה של 0-1, ומייצגים את המיקומים כאחוז מגודל התמונה. המקור (המיקום 0,0) הוא הפינה השמאלית העליונה של התמונה, כך שהערך העליון הוא המרחק מהחלק העליון, והתחתון של תיבת הגבול הוא העליון בתוספת הגובה.
התמונה למעלה היא ברוחב של 600 פיקסלים ובגובה של 800 פיקסלים. תיבת הגבול מתחילה ב-320 פיקסלים למטה, מה שנותן ערך עליון של 0.4 (800 x 0.4 = 320). מהשמאל, תיבת הגבול מתחילה ב-240 פיקסלים, מה שנותן ערך שמאלי של 0.4 (600 x 0.4 = 240). הגובה של תיבת הגבול הוא 240 פיקסלים, מה שנותן ערך גובה של 0.3 (800 x 0.3 = 240). הרוחב של תיבת הגבול הוא 120 פיקסלים, מה שנותן ערך רוחב של 0.2 (600 x 0.2 = 120).
@ -118,7 +118,7 @@
ניתן להשתמש בתיבות גבול בשילוב עם הסתברויות כדי להעריך עד כמה זיהוי מדויק. לדוגמה, מודל זיהוי יכול לזהות מספר אובייקטים שמצטלבים, לדוגמה זיהוי קופסה אחת בתוך אחרת. הקוד שלכם יכול לבדוק את תיבות הגבול, להבין שזה בלתי אפשרי, ולהתעלם מכל אובייקט שיש לו חפיפה משמעותית עם אובייקטים אחרים.
בדוגמה למעלה, תיבת גבול אחת מציינת קופסת רסק עגבניות עם הסתברות של 78.3%. תיבת גבול שנייה קטנה יותר, ונמצאת בתוך תיבת הגבול הראשונה עם הסתברות של 64.3%. הקוד שלכם יכול לבדוק את תיבות הגבול, לראות שהן חופפות לחלוטין, ולהתעלם מההסתברות הנמוכה יותר מכיוון שאין דרך שקופסה אחת תהיה בתוך אחרת.
תוכל לראות את התמונה שצולמה ואת הערכים הללו בלשונית **Predictions** ב-Custom Vision.
> 💁 תוכל למצוא את הקוד הזה בתיקיות [code-detect/pi](../../../../../5-retail/lessons/2-check-stock-device/code-detect/pi) או [code-detect/virtual-iot-device](../../../../../5-retail/lessons/2-check-stock-device/code-detect/virtual-iot-device).
תוכל לראות את התמונה שצולמה, ואת הערכים הללו בלשונית **Predictions** ב-Custom Vision.
> 💁 תוכל למצוא את הקוד הזה בתיקיית [code-detect/wio-terminal](../../../../../5-retail/lessons/2-check-stock-device/code-detect/wio-terminal).
> סקיצה מאת [ניטיה נאראסימהן](https://github.com/nitya). לחצו על התמונה לגרסה גדולה יותר.
@ -51,7 +51,7 @@
מיקרופונים דינמיים אינם זקוקים לחשמל כדי לפעול; האות החשמלי נוצר כולו מהמיקרופון.
* סרט - מיקרופונים מסוג סרט דומים למיקרופונים דינמיים, אך במקום דיאפרגמה יש בהם סרט מתכת. הסרט נע בשדה מגנטי ויוצר זרם חשמלי. כמו מיקרופונים דינמיים, גם מיקרופונים מסוג סרט אינם זקוקים לחשמל כדי לפעול.
@ -59,11 +59,11 @@
* קונדנסר - מיקרופונים מסוג קונדנסר כוללים דיאפרגמה מתכתית דקה ולוח אחורי מתכתי קבוע. זרם חשמלי מוחל על שניהם, וכאשר הדיאפרגמה רוטטת, המטען הסטטי בין הלוחות משתנה ויוצר אות. מיקרופונים מסוג קונדנסר זקוקים לחשמל כדי לפעול - הנקרא *Phantom power*.
* MEMS - מיקרופונים מסוג מערכות מיקרואלקטרומכניות, או MEMS, הם מיקרופונים על שבב. יש להם דיאפרגמה רגישה ללחץ המוטבעת על שבב סיליקון, והם פועלים בדומה למיקרופון קונדנסר. מיקרופונים אלו יכולים להיות זעירים ומשולבים במעגלים חשמליים.
בתמונה למעלה, השבב המסומן **LEFT** הוא מיקרופון MEMS, עם דיאפרגמה זעירה ברוחב של פחות ממילימטר.
@ -159,7 +159,7 @@
## המרת דיבור לטקסט
בדומה לסיווג תמונות בפרויקט קודם, קיימים שירותי בינה מלאכותית מוכנים מראש שיכולים לקחת דיבור כקובץ אודיו ולהמיר אותו לטקסט. אחד משירותים אלו הוא Speech Service, חלק משירותי Cognitive Services, שירותי בינה מלאכותית מוכנים לשימוש באפליקציות שלך.
1. הכניסו קצה אחד של כבל Grove לשקע במודול הלחצן. הוא ייכנס רק בכיוון אחד.
1. כאשר ה-Raspberry Pi כבוי, חברו את הקצה השני של כבל Grove לשקע הדיגיטלי המסומן **D5** בכובע הבסיס של Grove המחובר ל-Pi. שקע זה הוא השני משמאל, בשורה של השקעים ליד פיני GPIO.
1. אם אתה משתמש ב-ReSpeaker 2-Mics Pi HAT, תוכל להסיר את ה-Grove base hat, ואז להתקין את ה-ReSpeaker hat במקומו.
תצטרך כפתור Grove מאוחר יותר בשיעור זה, אך כפתור כזה מובנה ב-hat הזה, ולכן ה-Grove base hat אינו נחוץ.
✅ קראו עוד על DMA בעמוד [גישה ישירה לזיכרון בויקיפדיה](https://wikipedia.org/wiki/Direct_memory_access).
ה-DMAC יכול ללכוד שמע מה-ADC במרווחים קבועים, כמו 16,000 פעמים בשנייה עבור שמע ב-16KHz. הוא יכול לכתוב את הנתונים שנלכדו למאגר זיכרון שהוקצה מראש, וכשהמאגר הזה מתמלא, הוא הופך לזמין לקוד שלכם לעיבוד. שימוש בזיכרון זה יכול לעכב את לכידת השמע, אך ניתן להגדיר מספר מאגרים. ה-DMAC כותב למאגר 1, ואז כשהוא מתמלא, הוא מודיע לקוד שלכם לעבד את מאגר 1, בזמן שה-DMAC כותב למאגר 2. כשהמאגר השני מתמלא, הוא מודיע לקוד שלכם, וחוזר לכתיבה למאגר 1. כך, כל עוד אתם מעבדים כל מאגר בזמן קצר יותר מהזמן שלוקח למלא אחד, לא תאבדו נתונים.
אפשר ליצור מודלים להבנת שפה באמצעות LUIS, שירות להבנת שפה של מיקרוסופט שהוא חלק משירותי Cognitive Services.
@ -169,7 +169,7 @@
1. כשאתם מכניסים כל דוגמה, LUIS יתחיל לזהות ישויות, ויתחיל להדגיש ולתייג כל ישות שהוא מוצא.
> סקיצה מאת [ניטיה נאראסימן](https://github.com/nitya). לחצו על התמונה לגרסה גדולה יותר.
@ -74,7 +74,7 @@
### שירות הדיבור של Cognitive Services
שירות הדיבור שבו השתמשתם בשיעורים האחרונים כולל יכולות תרגום לזיהוי דיבור. כאשר אתם מזהים דיבור, תוכלו לבקש לא רק את הטקסט של הדיבור באותה שפה, אלא גם בשפות אחרות.
@ -82,7 +82,7 @@
### שירות המתרגם של Cognitive Services
שירות המתרגם הוא שירות תרגום ייעודי שיכול לתרגם טקסט משפה אחת, לאחת או יותר שפות יעד. בנוסף לתרגום, הוא תומך במגוון רחב של תכונות נוספות כולל הסתרת מילים גסות. הוא גם מאפשר לכם לספק תרגום ספציפי למילה או משפט מסוימים, לעבוד עם מונחים שאתם לא רוצים לתרגם, או שיש להם תרגום ידוע ספציפי.
> לדוגמה, אם אימנתם את LUIS באנגלית, אך ברצונכם להשתמש בצרפתית כשפת המשתמש, תוכלו לתרגם משפטים כמו "set a 2 minute and 27 second timer" מאנגלית לצרפתית באמצעות Bing Translate, ואז להשתמש בכפתור **Listen translation** כדי לדבר את התרגום למיקרופון שלכם.
> לדוגמה, אם אימנתם את LUIS באנגלית, אך ברצונכם להשתמש בצרפתית כשפת המשתמש, תוכלו לתרגם משפטים כמו "הגדר טיימר של 2 דקות ו-27 שניות" מאנגלית לצרפתית באמצעות Bing Translate, ואז להשתמש בכפתור **Listen translation** כדי לדבר את התרגום למיקרופון שלכם.
> לדוגמה, אם אימנתם את LUIS באנגלית, אך רוצים להשתמש בצרפתית כשפת המשתמש, תוכלו לתרגם משפטים כמו "set a 2 minute and 27 second timer" מאנגלית לצרפתית באמצעות Bing Translate, ואז להשתמש בכפתור **Listen translation** כדי להשמיע את התרגום למיקרופון שלכם.
אם אתם נתקעים או יש לכם שאלות לגבי בניית אפליקציות AI. הצטרפו ללומדים אחרים ומפתחים מנוסים בדיונים על MCP. זו קהילה תומכת שבה שאלות מתקבלות בברכה והידע משותף בחופשיות.
אם נתקעתם או יש לכם שאלות בנוגע לבניית אפליקציות AI, הצטרפו ללומדים אחרים ולמפתחים מנוסים בדיונים על MCP. זוהי קהילה תומכת שבה שאלות מתקבלות בברכה והידע משותף בחופשיות.
עקבו אחרי השלבים הבאים כדי להתחיל להשתמש במשאבים אלו:
1. **עשה Fork למאגר**: לחץ על [](https://GitHub.com/microsoft/IoT-For-Beginners/fork)
2. **שכפל את המאגר**:`git clone https://github.com/microsoft/IoT-For-Beginners.git`
3. [**הצטרף ל-Discord של Microsoft Foundry ופגוש מומחים ומפתחים אחרים**](https://discord.com/invite/ByRwuEEgH4)
עקבו אחר השלבים הללו כדי להתחיל להשתמש במשאבים אלה:
1. **צרו Fork למאגר**: לחצו על [](https://GitHub.com/microsoft/IoT-For-Beginners/fork)
2. **שכפלו את המאגר**: `git clone https://github.com/microsoft/IoT-For-Beginners.git`
3. [**הצטרפו ל-Discord של Microsoft Foundry ופגשו מומחים ומפתחים אחרים**](https://discord.com/invite/ByRwuEEgH4)
### 🌐 תמיכה בריבוי שפות
### 🌐 תמיכה ברב-שפתית
#### נתמך באמצעות GitHub Action (אוטומטי ועם עדכונים תדירים)
#### נתמכת באמצעות GitHub Action (אוטומטית ותמיד מעודכנת)
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> זה נותן לכם את כל מה שצריך כדי להשלים את הקורס במהירות הורדה גבוהה משמעותית.
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
# IoT למתחילים - תוכנית לימודים
המאמצים של Azure Cloud Advocates ב-Microsoft מזמינים להציע תוכנית לימודים של 12 שבועות עם 24 שיעורים על יסודות IoT. כל שיעור כולל מבחנים לפני ואחרי השיעור, הוראות כתובות להשלמת השיעור, פתרון, מטלה ועוד. הפדגוגיה מבוססת הפרויקטים שלנו מאפשרת לך ללמוד תוך כדי בנייה, דרך מוכחת להטמעת כישורים חדשים.
תומכי Azure Cloud במיקרוסופט שמחים להציע תוכנית לימודים של 12 שבועות ו-24 שיעורים המכסה את יסודות ה-IoT. כל שיעור כולל מבחנים לפני ואחרי השיעור, הוראות כתובות להשלמת השיעור, פתרון, משימה ועוד. הפדגוגיה מבוססת הפרוייקטים שלנו מאפשרת לכם ללמוד תוך כדי בנייה, דרך מוכחת שהכישורים החדשים 'נתפסים'.
הפרויקטים מכסים את המסע של המזון מהחווה ועד לשולחן. זה כולל חקלאות, לוגיסטיקה, ייצור, קמעונאות וצרכנים – כולם תחומי תעשייה פופולריים למכשירי IoT.
הפרויקטים מכסים את המסלול של המזון משדה החווה אל השולחן. זה כולל חקלאות, לוגיסטיקה, ייצור, קמעונאות וצרכנים - כל תחומי התעשייה הפופולריים למכשירי IoT.
> 🎥 לחצו על התמונה למעלה לצפייה בווידאו אודות הפרויקט!
> 🎥 לחצו על התמונה למעלה לצפייה בסרטון על הפרויקט!
> **מורים**, כלול כאן [כמה הצעות](for-teachers.md) כיצד להשתמש בתוכנית זו. אם תרצו ליצור שיעורים משלכם, כלול גם [תבנית שיעור](lesson-template/README.md).
> **למורים**, כלול כאן [הצעות](for-teachers.md) כיצד להשתמש בתוכנית לימודים זו. במקרה שתרצו ליצור שיעורים משלכם, כלול גם [תבנית שיעור](lesson-template/README.md).
> **[סטודנטים](https://aka.ms/student-page)**, כדי להשתמש בתוכנית זו בעצמכם, עשו fork לכל המאגר והשלימו את התרגילים בעצמכם, החל ממבחן טרום-הרצאה, קריאת הרצאה והשלמת שאר הפעילויות. נסו ליצור את הפרויקטים על ידי הבנת השיעורים ולא על ידי העתקת קוד הפתרון; עם זאת הקוד זמין בתיקיית /solutions בכל שיעור שמבוסס פרויקט. רעיון נוסף הוא להקים קבוצת לימוד עם חברים ולעבור את התכנים יחד. ללמידה נוספת, אנו ממליצים על [Microsoft Learn](https://docs.microsoft.com/users/jimbobbennett/collections/ke2ehd351jopwr?WT.mc_id=academic-17441-jabenn).
> **לתלמידים** [https://aka.ms/student-page], לשימוש עצמאי בתוכנית זו, צרו fork לכל המאגר והשלימו את התרגילים בעצמכם, התחילו במבחן לפני ההרצאה, המשיכו בקריאת ההרצאה והשלימו את שאר הפעילויות. נסו ליצור את הפרויקטים על פי ההבנה של השיעורים ולא על ידי העתקת קוד הפתרון; עם זאת, הקוד זמין בתיקיות /solutions בכל שיעור מכוון פרויקט. רעיון נוסף הוא להרכיב קבוצת לימוד עם חברים ולעבור על התוכן ביחד. ללימוד נוסף אנו ממליצים על [Microsoft Learn](https://docs.microsoft.com/users/jimbobbennett/collections/ke2ehd351jopwr?WT.mc_id=academic-17441-jabenn).
> 🎥 לחצו על התמונה למעלה לצפייה בווידאו אודות הפרויקט!
> 🎥 לחצו על התמונה למעלה לצפייה בסרטון על הפרויקט!
## פדגוגיה
בחרנו שתי עקרונות פדגוגיים בבניית תוכנית זו: להבטיח שהיא מבוססת פרויקטים ושכוללת מבחנים תכופים. בתום סדרה זו, התלמידים יבנו מערכת ניטור והשקיית צמחים, במעקב רכב, הגדרת מפעל חכם למעקב ובדיקת מזון, וטיימר בישול נשלט קולית, ולמדו את יסודות אינטרנט הדברים כולל כיצד לכתוב קוד למכשירים, להתחבר לענן, לנתח טלמטריה ולהריץ AI בקצה.
בחרנו שני עקרונות פדגוגיים בעת בניית תוכנית הלימודים הזו: להבטיח שהקורס מבוסס פרויקטים וכולל מבחנים תכופים. עד סוף סדרה זו, התלמידים יבנו מערכת ניטור והשקיית צמחים, מערכת מעקב רכבים, הגדרת מפעל חכם למעקב ובדיקת מזון, וטיימר בישול מבוקר קולי, ולמדו את יסודות האינטרנט של הדברים שכוללים כתיבת קוד התקן, חיבור לענן, ניתוח טלמטריה והרצת AI בקצה.
על ידי התאמת התוכן לפרויקטים, התהליך הופך למרתק יותר לתלמידים ושמירת המושגים משתפרת.
על ידי התאמת התוכן לפרויקטים התהליך נעשה מעניין יותר עבור התלמידים ושימור המושגים יחודד.
בנוסף, מבחן קליל לפני כיתה מכוון את כוונת התלמיד ללמוד נושא, בעוד שמבחן שני לאחר הכיתה מבטיח שמירה נוספת. תוכנית זו נועדה להיות גמישה ומהנה וניתן לעבור אותה בשלמותה או בחלקה. הפרויקטים מתחילים קטנים והופכים מורכבים יותר לקראת סוף מחזור 12 השבועות.
בנוסף, מבחן בעל סיכון נמוך לפני השיעור מגדיר את כוונת הלמידה של התלמיד כלפי הנושא, בעוד מבחן שני אחרי השיעור מבטיח שימור נוסף. תוכנית זו עוצבה להיות גמישה ומהנה וניתן לקחת אותה בשלמותה או בחלקים. הפרויקטים מתחילים קטנים והופכים למורכבים יותר לקראת סוף מחזור של 12 שבועות.
כל פרויקט מבוסס על חומרה אמיתית הזמינה לתלמידים וחובבים. כל פרויקט מתייחס לדומיין הפרויקט המסוים, ומספק ידע רקע רלוונטי. להיות מפתח מצליח עוזר להבין את התחום שבו פותרים בעיות, מתן ידע רקע זה מאפשר לתלמידים לחשוב על פתרונות IoT ולמידות בהקשר של סוג הבעיה האמיתית שעלולים להתבקש לפתור כמפתח IoT. התלמידים לומדים את ה"למה" של הפתרונות שהם בונים, ומקבלים הערכה למשתמש הסופי.
כל פרויקט מבוסס על חומרה אמיתית זמינה לתלמידים ולחובבים. כל פרויקט בוחן את תחום הפרויקט הספציפי, ומספק ידע רקע רלוונטי. כדי להיות מפתח מצליח חשוב להבין את התחום שבו פותרים בעיות, מתן ידע רקע זה מאפשר לתלמידים לחשוב על פתרונות ה-IoT שלהם ולהתנסות בהם בהקשר לבעיה אמיתית שהייתה עשויה להידרש לפתח כפתרון IoT. התלמידים לומדים את 'הסיבה' לפתרונות שהם בונים, ומקבלים הערכה של המשתמש הקצה.
## חומרה
יש לנו שתי אפשרויות חומרה של IoT לשימוש בפרויקטים בהתאם להעדפות אישיות, ידע בשפת תכנות או העדפות, מטרות למידה וזמינות. בנוסף, סיפקנו גרסת 'חומרה וירטואלית' לאלו שאין להם גישה לחומרה, או שרוצים ללמוד יותר לפני שיבצעו רכישה. ניתן לקרוא עוד ולמצוא 'רשימת קניות' ב[דף החומרה](./hardware.md), כולל קישורים לרכישת ערכות שלמות מחברינו ב-Seeed Studio.
יש לנו שתי אפשרויות חומרה ל-IoT לשימוש בפרויקטים בהתאם להעדפה אישית, ידע או העדפות שפת תכנות, יעדי למידה וזמינות. כמו כן סיפקנו גרסת 'חומרה וירטואלית' למי שאין לו גישה לחומרה, או שרוצה ללמוד לפני שמחליטים על רכישה. ניתן לקרוא יותר ולמצוא 'רשימת קניות' בדף [החומרה](./hardware.md), כולל קישורים לרכישת ערכות מלאות מחברינו ב-Seeed Studio.
> 💁 מצאו את [קוד ההתנהגות](CODE_OF_CONDUCT.md), [הוראות לתרומה](CONTRIBUTING.md) ו[הוראות לתרגום](TRANSLATIONS.md). אנו מקדמים את הפידבק הבונה שלכם!
> 💁 מצאו את [קוד ההתנהגות שלנו](CODE_OF_CONDUCT.md), [כללי התרומה](CONTRIBUTING.md), ו[הנחיות התרגום](TRANSLATIONS.md). נשמח לקבל את המשוב הבונה שלכם!
>
> 🔧 יש לכם בעיות? בדקו את [מדריך ההתמודדות עם תקלות](TROUBLESHOOTING.md) עבור פתרונות לבעיות נפוצות.
> 🔧 נתקלתם בבעיות? בדקו את [מדריך פתרון הבעיות](TROUBLESHOOTING.md) לפתרונות לבעיות נפוצות.
## כל שיעור כולל:
- סיכום ציורי
- וידאו משלים אופציונלי
- חידון חימום לפני השיעור
- שרטוט סקיצה (sketchnote)
- סרטון משלים אופציונלי
- חידון הכנה לפני השיעור
- שיעור כתוב
- לשיעורים מבוססי פרויקט, מדריכים שלב-אחר-שלב לבניית הפרויקט
- בשיעורים מבוססי פרויקט, מדריכים שלב-אחר-שלב לבניית הפרויקט
- בדיקות ידע
- אתגר
- קריאה משלימה
- מטלה
- [חידון לאחר השיעור](https://ff-quizzes.netlify.app/en/)
> **הערה לגבי חידונים**: כל החידונים נמצאים בתיקיית quiz-app, עם סך של 48 חידונים הכוללים שלוש שאלות כל אחד. הם מקושרים מתוך השיעורים אך ניתן להריץ את אפליקציית החידון באופן מקומי או לפרוס על Azure; עקבו אחרי ההוראות בתיקיית `quiz-app`. הם מתורגמים בהדרגה.
> **הערה לגבי החידונים**: כל החידונים נמצאים בתיקיית quiz-app, הכוללת סה"כ 48 חידונים שלוש שאלות כל אחד. הם מקושרים מתוך השיעורים אך ניתן להריץ את אפליקציית החידון מקומית או לפרוס ל-Azure; עקבו אחרי ההוראות בתיקיית `quiz-app`. החידונים מתורגמים בהדרגה.
## שיעורים
| | שם הפרויקט | מושגים שנלמדים | מטרות למידה | שיעור מקושר |
| 01 | [מתחילים](./1-getting-started/README.md) | מבוא לאינטרנט של הדברים | למדו את העקרונות הבסיסיים של IoT ואת אבני הבניין הבסיסיות של פתרונות IoT כמו חיישנים ושירותי ענן תוך כדי הקמת מכשיר ה-IoT הראשון שלכם | [מבוא לאינטרנט של הדברים](./1-getting-started/lessons/1-introduction-to-iot/README.md) |
| 02 | [מתחילים](./1-getting-started/README.md) | התעמקות באינטרנט של הדברים | למדו יותר על רכיבי מערכת IoT, כמו גם על מיקרו-בקרים ומחשבים ליחידה בודדת | [התעמקות באינטרנט של הדברים](./1-getting-started/lessons/2-deeper-dive/README.md) |
| 03 | [מתחילים](./1-getting-started/README.md) | אינטראקציה עם העולם הפיזי בעזרת חיישנים ומפעילים | למדו על חיישנים לאיסוף מידע מהעולם הפיזי, ועל מפעילים לשיגור משוב, תוך כדי בניית מנורת לילה | [אינטראקציה עם העולם הפיזי בעזרת חיישנים ומפעילים](./1-getting-started/lessons/3-sensors-and-actuators/README.md) |
| 04 | [מתחילים](./1-getting-started/README.md) | חיבור המכשיר לאינטרנט | למדו כיצד לחבר מכשיר IoT לאינטרנט כדי לשלוח ולקבל הודעות על ידי חיבור מנורת הלילה שלכם לשרת MQTT | [חיבור המכשיר לאינטרנט](./1-getting-started/lessons/4-connect-internet/README.md) |
| 05 | [חווה](./2-farm/README.md) | חיזוי גדילת צמח | למדו כיצד לנבא גדילת צמח באמצעות נתוני טמפרטורה שנאספו על ידי מכשיר IoT | [חיזוי גדילת צמח](./2-farm/lessons/1-predict-plant-growth/README.md) |
| 06 | [חווה](./2-farm/README.md) | גילוי רמת לחות בקרקע | למדו כיצד לזהות לחות בקרקע ולהקפיד על כיול חיישן לחות בקרקע | [גילוי רמת לחות בקרקע](./2-farm/lessons/2-detect-soil-moisture/README.md) |
| 07 | [חווה](./2-farm/README.md) | השקיית צמחים אוטומטית | למדו כיצד לבצע השקיית צמחים אוטומטית ומזוהמת לפי זמן באמצעות ממסר ו-MQTT | [השקיית צמחים אוטומטית](./2-farm/lessons/3-automated-plant-watering/README.md) |
| 08 | [חווה](./2-farm/README.md) | העבר את הצמח שלך לענן | למדו על ענן ושירותי IoT המרחבים בענן וכיצד לחבר את הצמח שלכם לאחד מהם במקום להשתמש בשרת MQTT ציבורי | [העבר את הצמח שלך לענן](./2-farm/lessons/4-migrate-your-plant-to-the-cloud/README.md) |
| 09 | [חווה](./2-farm/README.md) | העבר את לוגיקת היישום שלך לענן | למדו כיצד לכתוב לוגיקת יישום בענן שמגיבה להודעות IoT | [העבר את לוגיקת היישום שלך לענן](./2-farm/lessons/5-migrate-application-to-the-cloud/README.md) |
| 10 | [חווה](./2-farm/README.md) | שמור על אבטחת הצמח שלך | למדו על אבטחה ב-IoT וכיצד לשמור על אבטחת הצמח עם מפתחות ותעודות | [שמור על אבטחת הצמח שלך](./2-farm/lessons/6-keep-your-plant-secure/README.md) |
| 11 | [תחבורה](./3-transport/README.md) | מעקב מיקום | למדו על מעקב מיקום GPS למכשירי IoT | [מעקב מיקום](./3-transport/lessons/1-location-tracking/README.md) |
| 12 | [תחבורה](./3-transport/README.md) | אחסון נתוני מיקום | למדו כיצד לאחסן נתוני IoT לשם ויזואליזציה או ניתוח מאוחר יותר | [אחסון נתוני מיקום](./3-transport/lessons/2-store-location-data/README.md) |
| 13 | [תחבורה](./3-transport/README.md) | ויזואליזציה של נתוני מיקום | למדו על ויזואליזציה של נתוני מיקום במפה, וכיצד מפות מייצגות את העולם התלת-ממדי בממד אחד | [ויזואליזציה של נתוני מיקום](./3-transport/lessons/3-visualize-location-data/README.md) |
| 14 | [תחבורה](./3-transport/README.md) | גיאגדרים | למדו על גיאגדרים וכיצד נעשה בהם שימוש להתרעה כאשר כלי רכב בשרשרת האספקה קרובים ליעדם | [גיאגדרים](./3-transport/lessons/4-geofences/README.md) |
| 15 | [ייצור](./4-manufacturing/README.md) | אימון גלאי איכות פרי | למדו על אימון מסווג תצלומים בענן לזהות איכות פרי | [אימון גלאי איכות פרי](./4-manufacturing/lessons/1-train-fruit-detector/README.md) |
| 16 | [ייצור](./4-manufacturing/README.md) | בדיקת איכות פרי ממכשיר IoT | למדו על השימוש בגלאי איכות פרי ממכשיר IoT | [בדיקת איכות פרי ממכשיר IoT](./4-manufacturing/lessons/2-check-fruit-from-device/README.md) |
| 17 | [ייצור](./4-manufacturing/README.md) | הרצת גלאי הפרי שלך בקצה | למדו על הרצת גלאי הפרי שלכם במכשיר IoT בקצה | [הרצת גלאי הפרי שלך בקצה](./4-manufacturing/lessons/3-run-fruit-detector-edge/README.md) |
| 18 | [ייצור](./4-manufacturing/README.md) | הפעלת זיהוי איכות פרי מחיישן | למדו על הפעלת זיהוי איכות פרי מחיישן | [הפעלת זיהוי איכות פרי מחיישן](./4-manufacturing/lessons/4-trigger-fruit-detector/README.md) |
| 20 | [קמעונאות](./5-retail/README.md) | בדיקת מלאי ממכשיר IoT | למדו כיצד לבדוק מלאי ממכשיר IoT באמצעות מודל זיהוי אובייקטים | [בדיקת מלאי ממכשיר IoT](./5-retail/lessons/2-check-stock-device/README.md) |
| 21 | [צרכנים](./6-consumer/README.md) | זיהוי דיבור עם מכשיר IoT | למדו כיצד לזהות דיבור ממכשיר IoT לבניית טיימר חכם | [זיהוי דיבור עם מכשיר IoT](./6-consumer/lessons/1-speech-recognition/README.md) |
| 22 | [צרכנים](./6-consumer/README.md) | הבנת שפה| למדו כיצד להבין משפטים המדוברים למכשיר IoT | [הבנת שפה](./6-consumer/lessons/2-language-understanding/README.md) |
| 23 | [צרכנים](./6-consumer/README.md) | הגדרת טיימר ומתן משוב מדובר | למדו כיצד להגדיר טיימר במכשיר IoT ולספק משוב מדובר על מועד ההגדרה וסיום הטיימר | [הגדרת טיימר ומתן משוב מדובר](./6-consumer/lessons/3-spoken-feedback/README.md) |
| 24 | [צרכנים](./6-consumer/README.md) | תמיכה בשפות מרובות | למדו כיצד לתמוך בשפות מרובות, הן בדיבור אל המכשיר והן בתגובות של הטיימר החכם | [תמיכה בשפות מרובות](./6-consumer/lessons/4-multiple-language-support/README.md) |
| | שם הפרויקט | מושגים נלמדים | מטרות למידה | שיעור מקושר |
| 01 | [התחלה](./1-getting-started/README.md) | מבוא ל-IoT | למדו את העקרונות הבסיסיים של IoT ואת אבני הבניין הבסיסיות של פתרונות IoT כגון חיישנים ושירותי ענן בזמן שאתם מגדירים את מכשיר ה-IoT הראשון שלכם | [מבוא ל-IoT](./1-getting-started/lessons/1-introduction-to-iot/README.md) |
| 02 | [התחלה](./1-getting-started/README.md) | מעמיקים ב-IoT | למדו עוד על מרכיבי מערכת IoT, כמו גם על מיקרו-בקרים ומחשבים על לוח בודד | [מעמיקים ב-IoT](./1-getting-started/lessons/2-deeper-dive/README.md) |
| 03 | [התחלה](./1-getting-started/README.md) | אינטראקציה עם העולם הפיזי באמצעות חיישנים ומבצעים | למדו על חיישנים לאיסוף נתונים מהעולם הפיזי, ועל מבצעים לשליחת משוב, בזמן שאתם בונים מנורת לילה | [אינטראקציה עם העולם הפיזי באמצעות חיישנים ומבצעים](./1-getting-started/lessons/3-sensors-and-actuators/README.md) |
| 04 | [התחלה](./1-getting-started/README.md) | חיבור המכשיר לאינטרנט | למדו כיצד לחבר מכשיר IoT לאינטרנט כדי לשלוח ולקבל הודעות על ידי חיבור מנורת הלילה שלכם לברוקר MQTT | [חיבור המכשיר לאינטרנט](./1-getting-started/lessons/4-connect-internet/README.md) |
| 05 | [חווה](./2-farm/README.md) | חיזוי גדילת צמחים | למדו כיצד לחזות גדילת צמחים באמצעות נתוני טמפרטורה שנאספו על ידי מכשיר IoT | [חיזוי גדילת צמחים](./2-farm/lessons/1-predict-plant-growth/README.md) |
| 06 | [חווה](./2-farm/README.md) | איתור לחות קרקע | למדו כיצד לאתר לחות קרקע וכיצד לכייל חיישן לחות קרקע | [איתור לחות קרקע](./2-farm/lessons/2-detect-soil-moisture/README.md) |
| 08 | [חווה](./2-farm/README.md) | העברת הצמח לענן | למדו על שירותי ענן ושירותי IoT המתארחים בענן וכיצד לחבר את הצמח שלכם לאחד מהם במקום לברוקר MQTT ציבורי | [העברת הצמח לענן](./2-farm/lessons/4-migrate-your-plant-to-the-cloud/README.md) |
| 09 | [חווה](./2-farm/README.md) | העברת לוגיקת היישום לענן | למדו כיצד ניתן לכתוב לוגיקת יישום בענן המגיבה להודעות IoT | [העברת לוגיקת היישום לענן](./2-farm/lessons/5-migrate-application-to-the-cloud/README.md) |
| 10 | [חווה](./2-farm/README.md) | אבטחת הצמח שלכם | למדו על אבטחה ב-IoT וכיצד להגן על הצמח שלכם באמצעות מפתחות ותעודות | [הגנה על הצמח שלכם](./2-farm/lessons/6-keep-your-plant-secure/README.md) |
| 11 | [תחבורה](./3-transport/README.md) | מעקב מיקום | למדו על מעקב מיקום GPS במכשירי IoT | [מעקב מיקום](./3-transport/lessons/1-location-tracking/README.md) |
| 12 | [תחבורה](./3-transport/README.md) | שמירת נתוני מיקום | למדו כיצד לשמור נתוני IoT להצגה או לניתוח מאוחר יותר | [שמירת נתוני מיקום](./3-transport/lessons/2-store-location-data/README.md) |
| 13 | [תחבורה](./3-transport/README.md) | הצגת נתוני מיקום | למדו על הצגת נתוני מיקום על מפת עולם דו-ממדית וכיצד מפות מייצגות את העולם התלת-ממדי האמיתי | [הצגת נתוני מיקום](./3-transport/lessons/3-visualize-location-data/README.md) |
| 14 | [תחבורה](./3-transport/README.md) | גאוגריסות | למדו על גאוגריסות וכיצד משתמשים בהן כדי להתריע כאשר כלי רכב בשרשרת האספקה קרובים ליעד שלהם | [גאוגריסות](./3-transport/lessons/4-geofences/README.md) |
| 15 | [ייצור](./4-manufacturing/README.md) | אימון גלאי איכות פרי | למדו על אימון מסווג תמונות בענן לזיהוי איכות פרי | [אימון גלאי איכות פרי](./4-manufacturing/lessons/1-train-fruit-detector/README.md) |
| 16 | [ייצור](./4-manufacturing/README.md) | בדיקת איכות פרי ממכשיר IoT | למדו על השימוש בגלאי איכות פרי ממכשיר IoT | [בדיקת איכות פרי ממכשיר IoT](./4-manufacturing/lessons/2-check-fruit-from-device/README.md) |
| 17 | [ייצור](./4-manufacturing/README.md) | הרצת גלאי הפרי שלכם בקצה | למדו על הרצת גלאי הפרי שלכם במכשיר IoT בקצה | [הרצת גלאי הפרי שלכם בקצה](./4-manufacturing/lessons/3-run-fruit-detector-edge/README.md) |
| 18 | [ייצור](./4-manufacturing/README.md) | הפעלת זיהוי איכות פרי מחיישן | למדו כיצד להפעיל זיהוי איכות פרי מחיישן | [הפעלת זיהוי איכות פרי מחיישן](./4-manufacturing/lessons/4-trigger-fruit-detector/README.md) |
| 20 | [קמעונאות](./5-retail/README.md) | בדיקת מלאי ממכשיר IoT | למדו כיצד לבדוק מלאי ממכשיר IoT באמצעות מודל זיהוי עצמים | [בדיקת מלאי ממכשיר IoT](./5-retail/lessons/2-check-stock-device/README.md) |
| 21 | [צרכן](./6-consumer/README.md) | זיהוי דיבור עם מכשיר IoT | למדו כיצד לזהות דיבור ממכשיר IoT ולבנות טיימר חכם | [זיהוי דיבור עם מכשיר IoT](./6-consumer/lessons/1-speech-recognition/README.md) |
| 22 | [צרכן](./6-consumer/README.md) | הבנת שפה | למדו כיצד להבין משפטים המדוברים למכשיר IoT | [הבנת שפה](./6-consumer/lessons/2-language-understanding/README.md) |
| 23 | [צרכן](./6-consumer/README.md) | הגדרת טיימר ומתן משוב מדיבור | למדו כיצד להגדיר טיימר במכשיר IoT ולספק משוב מדיבור מתי הטיימר הופעל ומתי הוא מסתיים | [הגדרת טיימר ומתן משוב מדיבור](./6-consumer/lessons/3-spoken-feedback/README.md) |
| 24 | [צרכן](./6-consumer/README.md) | תמיכה בשפות מרובות | למדו כיצד לתמוך בשפות מרובות, הן המדוברות אליכם והן בתגובות מהטיימר החכם שלכם | [תמיכה בשפות מרובות](./6-consumer/lessons/4-multiple-language-support/README.md) |
## גישה לא מקוונת
ניתן להריץ תיעוד זה במצב לא מקוון באמצעות [Docsify](https://docsify.js.org/#/). שיכפלו את המאגר, [התקינו את Docsify](https://docsify.js.org/#/quickstart) במחשב המקומי שלכם, ואז בתיקיית השורש של המאגר זה, הקלידו `docsify serve`. האתר ישוחרר על פורט 3000 במחשב המקומי שלכם: `localhost:3000`.
ניתן להריץ תיעוד זה באופן לא מקוון באמצעות [Docsify](https://docsify.js.org/#/). פתחו עותק של המאגר הזה, [התקינו את Docsify](https://docsify.js.org/#/quickstart) במחשב המקומי שלכם, ואז בתיקיית השורש של המאגר רשמו `docsify serve`. האתר יותחל על פורט 3000 ב-localhost שלכם: `localhost:3000`.
## חידון
תודה לקהילה על האירוח של חידון אינטראקטיבי הנבדק את הידע שלכם בכל אחד מהפרקים. תוכלו לבדוק את הידע שלכם [כאן](https://ff-quizzes.netlify.app/en/)
תודה לקהילה על אירוח החידון האינטראקטיבי הבודק את הידע שלכם בכל פרק. בדקו את הידע שלכם [כאן](https://ff-quizzes.netlify.app/en/)
### PDF
ניתן ליצור PDF של התוכן הזה לגישה לא מקוונת במידת הצורך. לשם כך וודאו כי התקנתם את [npm](https://docs.npmjs.com/downloading-and-installing-node-js-and-npm) והריצו את הפקודות הבאות בתיקיית השורש של המאגר:
ניתן ליצור PDF של תוכן זה לגישה לא מקוונת במידת הצורך. לשם כך, ודאו שיש לכם [npm מותקן](https://docs.npmjs.com/downloading-and-installing-node-js-and-npm) והריצו את הפקודות הבאות בתיקיית השורש של המאגר:
```sh
npm i
npm run convert
```
### שקפים
### מצגות
ישנם מצגות עבור חלק מהשיעורים בתיקיית [slides](../../slides).
יש ערכות מצגות לחלק מהשיעורים בתיקיית [slides](../../slides).
## תוכניות לימודים נוספות
הצוות שלנו מייצר תוכניות לימודים נוספות! בדקו:
## תכניות לימוד נוספות
הצוות שלנו מייצר תכניות נוספות! בדקו:
<!-- 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/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/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?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)
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
## שיוכים לתמונות
אתה יכול למצוא את כל השיוכים לתמונות בהם נעשה שימוש בתוכנית הלימודים הזו במידת הצורך ב-[שיוכים](./attributions.md).
ניתן למצוא את כל השיוכים עבור התמונות בשימוש בתכנית הלימודים הזו במידת הצורך ב[שיוכים](./attributions.md).
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**כתב ויתור**:
מסמך זה תורגם באמצעות שירות תרגום מבוסס בינה מלאכותית [Co-op Translator](https://github.com/Azure/co-op-translator). למרות שאנו שואפים לדייק, יש להבין כי תרגומים ממוחשבים עלולים להכיל שגיאות או אי-דיוקים. המסמך המקורי בשפה המקורית שלו נחשב למקור הרשמי והאמין. למידע קריטי מומלץ להשתמש בתרגום מקצועי של אורגניזציה אנושית. אנו לא נישא באחריות לכל אי-הבנה או פרשנות שגויה הנובעות משימוש בתרגום זה.
מסמך זה תורגם באמצעות שירות תרגום מבוסס בינה מלאכותית [Co-op Translator](https://github.com/Azure/co-op-translator). אף כי אנו שואפים לדיוק, יש לשים לב כי תרגומים אוטומטיים עלולים להכיל טעויות או אי דיוקים. יש להתייחס למסמך המקורי בשפת המקור כמקור מהימן ומוסמך. למידע קריטי מומלץ להשתמש בתרגום מקצועי של בני אדם. אנו לא נשאים באחריות לכל אי הבנה או פרשנות שגויה הנובעת משימוש בתרגום זה.
@ -26,7 +26,7 @@ Seeed Studios באדיבותם סיפקו את כל החומרה כערכות ק
**[IoT למתחילים עם Seeed ו-Microsoft - ערכת התחלה של Raspberry Pi 4](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)
> Schetsnotitie door [Nitya Narasimhan](https://github.com/nitya). Klik op de afbeelding voor een grotere versie.
@ -203,7 +203,7 @@ Als een tweede 'Hello World'-stap ga je de CounterFit-app uitvoeren en je code e
De app zal starten en openen in je webbrowser:
Het zal worden gemarkeerd als *Disconnected*, met de LED in de rechterbovenhoek uitgeschakeld.
@ -224,7 +224,7 @@ Als een tweede 'Hello World'-stap ga je de CounterFit-app uitvoeren en je code e
1. Voer in deze nieuwe terminal het bestand `app.py` uit zoals eerder. De status van CounterFit zal veranderen naar **Connected** en de LED zal oplichten.
> 💁 Je kunt deze code vinden in de [code/virtual-device](../../../../../1-getting-started/lessons/1-introduction-to-iot/code/virtual-device)-map.
> Sketchnote door [Nitya Narasimhan](https://github.com/nitya). Klik op de afbeelding voor een grotere versie.
@ -38,7 +38,7 @@ Het **Ding**-gedeelte van IoT verwijst naar een apparaat dat kan communiceren me
Deze apparaten communiceren met de fysieke wereld, hetzij door sensoren te gebruiken om gegevens uit hun omgeving te verzamelen, hetzij door outputs of actuatoren te bedienen om fysieke veranderingen te veroorzaken. Een typisch voorbeeld hiervan is een slimme thermostaat - een apparaat met een temperatuursensor, een manier om een gewenste temperatuur in te stellen, zoals een draaiknop of touchscreen, en een verbinding met een verwarmings- of koelsysteem dat kan worden ingeschakeld wanneer de gedetecteerde temperatuur buiten het gewenste bereik ligt. De temperatuursensor detecteert dat de kamer te koud is en een actuator schakelt de verwarming in.
Er zijn een enorme hoeveelheid verschillende dingen die als IoT-apparaten kunnen fungeren, van speciale hardware die één ding detecteert tot algemene apparaten, zelfs je smartphone! Een smartphone kan sensoren gebruiken om de wereld om zich heen te detecteren en actuatoren om met de wereld te communiceren - bijvoorbeeld door een GPS-sensor te gebruiken om je locatie te bepalen en een luidspreker om je navigatie-instructies naar een bestemming te geven.
@ -54,7 +54,7 @@ Apparaten maken ook niet altijd rechtstreeks verbinding met het internet via WiF
In het voorbeeld van een slimme thermostaat zou de thermostaat verbinding maken via thuis-WiFi met een cloudservice die in de cloud draait. Het zou de temperatuurgegevens naar deze cloudservice sturen, en van daaruit worden ze geschreven naar een soort database, zodat de huiseigenaar de huidige en eerdere temperaturen kan controleren via een telefoon-app. Een andere service in de cloud zou weten welke temperatuur de huiseigenaar wil en berichten terugsturen naar het IoT-apparaat via de cloudservice om het verwarmingssysteem aan of uit te zetten.
Een nog slimmer versie zou AI in de cloud kunnen gebruiken met gegevens van andere sensoren die zijn verbonden met andere IoT-apparaten, zoals bezettingssensoren die detecteren welke kamers in gebruik zijn, evenals gegevens zoals het weer en zelfs je agenda, om beslissingen te nemen over hoe de temperatuur op een slimme manier in te stellen. Bijvoorbeeld, het zou je verwarming kunnen uitschakelen als het uit je agenda leest dat je op vakantie bent, of de verwarming kamer per kamer uitschakelen afhankelijk van welke kamers je gebruikt, waarbij het leert van de gegevens om steeds nauwkeuriger te worden.
@ -94,7 +94,7 @@ Hoe sneller de klokcyclus, hoe meer instructies per seconde kunnen worden verwer
> 💁 CPU's voeren programma's uit met behulp van de [fetch-decode-execute cyclus](https://wikipedia.org/wiki/Instruction_cycle). Voor elke kloktik haalt de CPU de volgende instructie uit het geheugen, decodeert deze en voert deze uit, zoals het gebruik van een rekenkundige logische eenheid (ALU) om 2 getallen op te tellen. Sommige uitvoeringen nemen meerdere tikken in beslag, dus de volgende cyclus wordt uitgevoerd bij de volgende tik nadat de instructie is voltooid.
Microcontrollers hebben veel lagere kloksnelheden dan desktop- of laptopcomputers, of zelfs de meeste smartphones. De Wio Terminal heeft bijvoorbeeld een CPU die draait op 120MHz of 120.000.000 cycli per seconde.
@ -182,7 +182,7 @@ Arduino-boards worden gecodeerd in C of C++. Het gebruik van C/C++ zorgt ervoor
Je zou je setup-code in de `setup`-functie schrijven, zoals verbinding maken met WiFi en clouddiensten of pinnen initialiseren voor input en output. Je loop-code zou vervolgens verwerkingscode bevatten, zoals het lezen van een sensor en het verzenden van de waarde naar de cloud. Je zou normaal gesproken een vertraging toevoegen aan elke loop, bijvoorbeeld als je alleen sensorgegevens wilt verzenden om de 10 seconden, zou je een vertraging van 10 seconden toevoegen aan het einde van de loop zodat de microcontroller kan slapen, energie bespaart, en vervolgens de loop opnieuw uitvoert wanneer nodig 10 seconden later.
✅ Deze programmastructuur staat bekend als een *event loop* of *message loop*. Veel applicaties gebruiken dit onder de motorkap en het is de standaard voor de meeste desktopapplicaties die draaien op besturingssystemen zoals Windows, macOS of Linux. De `loop` luistert naar berichten van gebruikersinterfacecomponenten zoals knoppen, of apparaten zoals het toetsenbord, en reageert daarop. Je kunt meer lezen in dit [artikel over de event loop](https://wikipedia.org/wiki/Event_loop).
# Interactie met de fysieke wereld met sensoren en actuatoren
> Sketchnote door [Nitya Narasimhan](https://github.com/nitya). Klik op de afbeelding voor een grotere versie.
@ -92,7 +92,7 @@ Digitale sensoren, net als analoge sensoren, detecteren de wereld om hen heen do
De eenvoudigste digitale sensor is een knop of schakelaar. Dit is een sensor met twee toestanden, aan of uit.
Pinnen op IoT-apparaten zoals GPIO-pinnen kunnen dit signaal direct meten als een 0 of 1. Als de spanning die wordt verzonden hetzelfde is als de spanning die wordt teruggestuurd, wordt de waarde gelezen als 1, anders wordt de waarde gelezen als 0. Er is geen noodzaak om het signaal te converteren, het kan alleen 1 of 0 zijn.
@ -125,7 +125,7 @@ Enkele veelvoorkomende actuatoren zijn:
Volg de relevante handleiding hieronder om een actuator toe te voegen aan je IoT-apparaat, aangestuurd door de sensor, om een IoT-nachtlampje te bouwen. Het zal lichtniveaus verzamelen van de lichtsensor en een actuator in de vorm van een LED gebruiken om licht uit te zenden wanneer het gedetecteerde lichtniveau te laag is.
@ -140,7 +140,7 @@ Net als sensoren zijn actuatoren ofwel analoog of digitaal.
Analoge actuatoren nemen een analoog signaal en zetten dit om in een soort interactie, waarbij de interactie verandert afhankelijk van de spanning die wordt geleverd.
Een voorbeeld hiervan is een dimbaar licht, zoals de lampen die je misschien in huis hebt. De hoeveelheid spanning die aan het licht wordt geleverd, bepaalt hoe helder het is.
Net als bij sensoren werken IoT-apparaten met digitale signalen, niet met analoge. Dit betekent dat om een analoog signaal te verzenden, het IoT-apparaat een digitaal-naar-analoog converter (DAC) nodig heeft, ofwel direct op het IoT-apparaat, of op een aansluitbord. Dit converteert de 0'en en 1'en van het IoT-apparaat naar een analoge spanning die de actuator kan gebruiken.
@ -187,7 +187,7 @@ Digitale actuatoren, net als digitale sensoren, hebben ofwel twee toestanden die
Een eenvoudige digitale actuator is een LED. Wanneer een apparaat een digitaal signaal van 1 verzendt, wordt een hoge spanning verzonden die de LED laat oplichten. Wanneer een digitaal signaal van 0 wordt verzonden, daalt de spanning naar 0V en gaat de LED uit.
✅ Welke andere eenvoudige 2-toestandsactuatoren kun je bedenken? Een voorbeeld is een solenoïde, een elektromagneet die kan worden geactiveerd om dingen te doen zoals een deurgrendel verplaatsen om een deur te vergrendelen/ontgrendelen.
@ -26,7 +26,7 @@ De Grove LED wordt geleverd als een module met een selectie van LEDs, zodat je d
Sluit de LED aan.
1. Kies je favoriete LED en steek de pootjes in de twee gaten op de LED-module.
@ -40,7 +40,7 @@ Sluit de LED aan.
1. Schakel de Raspberry Pi uit en sluit het andere uiteinde van de Grove-kabel aan op de digitale socket gemarkeerd met **D5** op de Grove Base Hat die op de Pi is aangesloten. Deze socket is de tweede van links, in de rij sockets naast de GPIO-pinnen.
1. Steek één uiteinde van een Grove-kabel in de aansluiting op de lichtsensormodule. De kabel past maar op één manier.
1. Met de Raspberry Pi uitgeschakeld, sluit je het andere uiteinde van de Grove-kabel aan op de analoge aansluiting gemarkeerd met **A0** op de Grove Base hat die op de Pi is bevestigd. Deze aansluiting is de tweede van rechts, in de rij aansluitingen naast de GPIO-pinnen.
Zodra de LED is aangemaakt, kun je de kleur wijzigen met de *Color*-kiezer. Selecteer de knop **Set** om de kleur te wijzigen nadat je deze hebt geselecteerd.
@ -28,11 +28,11 @@ Voeg de lichtsensor toe aan de CounterFit-app.
1. Selecteer de knop **Add** om de lichtsensor aan te maken op Pin 0.
De lichtsensor wordt aangemaakt en verschijnt in de sensorenlijst.
> Schetsnotitie door [Nitya Narasimhan](https://github.com/nitya). Klik op de afbeelding voor een grotere versie.
@ -47,7 +47,7 @@ MQTT is het meest populaire communicatieprotocol voor IoT-apparaten en wordt in
MQTT heeft één broker en meerdere clients. Alle clients maken verbinding met de broker, en de broker stuurt berichten door naar de relevante clients. Berichten worden gerouteerd via benoemde onderwerpen (topics), in plaats van rechtstreeks naar een individuele client te worden verzonden. Een client kan publiceren naar een onderwerp, en alle clients die zich op dat onderwerp hebben geabonneerd, ontvangen het bericht.
✅ Doe wat onderzoek. Als je veel IoT-apparaten hebt, hoe kun je ervoor zorgen dat je MQTT-broker alle berichten aankan?
@ -69,7 +69,7 @@ In plaats van de complexiteit van het opzetten van een MQTT-broker als onderdeel
> 💁 Deze testbroker is openbaar en niet beveiligd. Iedereen kan luisteren naar wat je publiceert, dus het mag niet worden gebruikt voor gegevens die privé moeten blijven.
Volg de relevante stap hieronder om je apparaat te verbinden met de MQTT-broker:
@ -350,7 +350,7 @@ Voor machines wil je de gegevens misschien bewaren, vooral als ze worden gebruik
Ontwerpers van IoT-apparaten moeten ook overwegen of het IoT-apparaat kan worden gebruikt tijdens een internetstoring of signaalverlies door locatie. Een slimme thermostaat moet in staat zijn om enkele beperkte beslissingen te nemen om de verwarming te regelen als het geen telemetrie naar de cloud kan verzenden vanwege een storing.
[](https://twitter.com/internetofshit/status/1315736960082808832)
[](https://twitter.com/internetofshit/status/1315736960082808832)
Voor MQTT om met een verlies van connectiviteit om te gaan, moeten het apparaat en de servercode verantwoordelijk zijn voor het waarborgen van berichtlevering indien nodig. Bijvoorbeeld door te eisen dat alle verzonden berichten worden beantwoord met aanvullende berichten op een antwoordonderwerp. Als dat niet gebeurt, worden ze handmatig in een wachtrij geplaatst om later opnieuw te worden verzonden.
@ -358,7 +358,7 @@ Voor MQTT om met een verlies van connectiviteit om te gaan, moeten het apparaat
Opdrachten zijn berichten die door de cloud naar een apparaat worden verzonden om het te instrueren iets te doen. Meestal houdt dit in dat er een soort uitvoer wordt gegeven via een actuator, maar het kan ook een instructie zijn voor het apparaat zelf, zoals opnieuw opstarten of extra telemetrie verzamelen en deze als reactie op de opdracht retourneren.
Een thermostaat kan een opdracht van de cloud ontvangen om de verwarming aan te zetten. Op basis van de telemetriegegevens van alle sensoren heeft de cloudservice besloten dat de verwarming aan moet, dus stuurt het de relevante opdracht.
> Schetsnotitie door [Nitya Narasimhan](https://github.com/nitya). Klik op de afbeelding voor een grotere versie.
@ -90,7 +90,7 @@ Groei-graad-dagen, of GDD, worden per dag berekend als de gemiddelde temperatuur
De volledige formule voor GDD is een beetje ingewikkeld, maar er is een vereenvoudigde vergelijking die vaak wordt gebruikt als een goede benadering:
* **GDD** - dit is het aantal groei-graad-dagen
* **T max** - dit is de dagelijkse maximumtemperatuur in graden Celsius
@ -118,7 +118,7 @@ Als we deze getallen in onze berekening invoeren:
Geeft dit de volgende berekening:
De maïs ontving 4 GDD op die dag. Als we uitgaan van een maïsvariëteit die 800 GDD nodig heeft om te rijpen, heeft het nog 796 GDD nodig om rijpheid te bereiken.
@ -239,7 +239,7 @@ De stappen om dit handmatig te doen zijn:
Bijvoorbeeld, als de hoogste temperatuur van de dag 25°C is en de laagste 12°C:
@ -33,7 +33,7 @@ Zodra je temperatuurgegevens hebt, kun je het Jupyter Notebook in deze repositor
Jupyter zal starten en het notebook openen in je browser. Doorloop de instructies in het notebook om de gemeten temperaturen te visualiseren en de groeigraaddagen te berekenen.
@ -38,11 +38,11 @@ Voeg de vochtigheids- en temperatuursensoren toe aan de CounterFit-app.
1. Selecteer de knop **Add** om de vochtigheidssensor op Pin 5 aan te maken.
De vochtigheidssensor wordt aangemaakt en verschijnt in de sensorenlijst.
@ -54,11 +54,11 @@ Voeg de vochtigheids- en temperatuursensoren toe aan de CounterFit-app.
1. Selecteer de knop **Add** om de temperatuursensor op Pin 6 aan te maken.
De temperatuursensor wordt aangemaakt en verschijnt in de sensorenlijst.
@ -13,7 +13,7 @@ I²C heeft een bus bestaande uit 2 hoofddraden, samen met 2 stroomdraden:
| VCC | Voltage common collector | De stroomvoorziening voor de apparaten. Deze is verbonden met de SDA- en SCL-draden om hun stroom te leveren via een pull-up weerstand die het signaal uitschakelt wanneer geen enkel apparaat de controller is. |
| GND | Aarde | Dit biedt een gemeenschappelijke grond voor het elektrische circuit. |
Om gegevens te verzenden, zal een apparaat een startconditie afgeven om aan te geven dat het klaar is om gegevens te verzenden. Het wordt dan de controller. De controller verzendt vervolgens het adres van het apparaat waarmee het wil communiceren, samen met de informatie of het gegevens wil lezen of schrijven. Nadat de gegevens zijn verzonden, stuurt de controller een stopconditie om aan te geven dat het klaar is. Hierna kan een ander apparaat de controller worden en gegevens verzenden of ontvangen.
@ -20,14 +20,14 @@ Je zult deze stappen meerdere keren moeten herhalen om de benodigde metingen te
Het gravimetrische bodemvochtgehalte wordt berekend als:
* W - het gewicht van de natte grond
* W - het gewicht van de droge grond
Bijvoorbeeld, stel dat je een bodemmonster hebt dat 212g weegt als het nat is, en 197g als het droog is.
@ -18,13 +18,13 @@ De Grove bodemvochtsensor kan worden aangesloten op de Raspberry Pi.
Verbind de bodemvochtsensor.
1. Steek één uiteinde van een Grove-kabel in de aansluiting op de bodemvochtsensor. Hij past maar op één manier.
1. Met de Raspberry Pi uitgeschakeld, verbind je het andere uiteinde van de Grove-kabel met de analoge aansluiting gemarkeerd **A0** op de Grove Base Hat die op de Pi is bevestigd. Deze aansluiting is de tweede van rechts, op de rij aansluitingen naast de GPIO-pinnen.
1. Steek de bodemvochtsensor in de grond. Hij heeft een 'hoogste positie lijn' - een witte lijn over de sensor. Steek de sensor tot aan, maar niet voorbij deze lijn.
@ -34,11 +34,11 @@ Voeg de bodemvochtigheidssensor toe aan de CounterFit-app.
1. Selecteer de knop **Add** om de *Soil Moisture*-sensor op Pin 0 te maken.
De bodemvochtigheidssensor wordt aangemaakt en verschijnt in de sensorenlijst.
@ -18,7 +18,7 @@ De Grove bodemvochtsensor kan worden aangesloten op de configureerbare analoge/d
Verbind de bodemvochtsensor.
1. Steek één uiteinde van een Grove-kabel in de aansluiting op de bodemvochtsensor. Deze past maar op één manier.
> Schetsnotitie door [Nitya Narasimhan](https://github.com/nitya). Klik op de afbeelding voor een grotere versie.
@ -32,7 +32,7 @@ IoT-apparaten gebruiken een lage spanning. Hoewel dit voldoende is voor sensoren
De oplossing hiervoor is een pomp die is aangesloten op een externe stroomvoorziening, en een actuator die de pomp aanzet, vergelijkbaar met hoe je een lichtschakelaar gebruikt. Het kost een kleine hoeveelheid energie (in de vorm van energie in je lichaam) om met je vinger een schakelaar om te zetten, en dit verbindt het licht met netstroom van 110v/240v.
> 🎓 [Netstroom](https://wikipedia.org/wiki/Mains_electricity) verwijst naar de elektriciteit die via nationale infrastructuur wordt geleverd aan huizen en bedrijven in veel delen van de wereld.
@ -72,7 +72,7 @@ Wanneer de hendel beweegt, kun je meestal horen dat deze contact maakt met de el
De elektromagneet heeft niet veel stroom nodig om te activeren en de hendel aan te trekken; hij kan worden aangestuurd met de 3,3V of 5V uitgang van een IoT-ontwikkelkit. Het uitgangscircuit kan veel meer stroom dragen, afhankelijk van het relais, inclusief netspanning of zelfs hogere vermogensniveaus voor industrieel gebruik. Op deze manier kan een IoT-ontwikkelkit een irrigatiesysteem aansturen, van een kleine pomp voor een enkele plant tot een enorm industrieel systeem voor een hele commerciële boerderij.
De bovenstaande afbeelding toont een Grove-relais. Het besturingscircuit wordt aangesloten op een IoT-apparaat en schakelt het relais in of uit met 3,3V of 5V. Het uitgangscircuit heeft twee aansluitingen; beide kunnen stroom of aarde zijn. Het uitgangscircuit kan tot 250V bij 10A aan, genoeg voor een reeks apparaten op netstroom. Je kunt relais krijgen die nog hogere vermogensniveaus aankunnen.
@ -18,13 +18,13 @@ Het Grove relais kan worden aangesloten op de Raspberry Pi.
Verbind het relais.
1. Steek één uiteinde van een Grove-kabel in de aansluiting op het relais. Het past maar op één manier.
1. Schakel de Raspberry Pi uit en verbind het andere uiteinde van de Grove-kabel met de digitale aansluiting gemarkeerd als **D5** op de Grove Base Hat die aan de Pi is bevestigd. Deze aansluiting is de tweede van links, op de rij aansluitingen naast de GPIO-pinnen. Laat de bodemvochtigheidssensor aangesloten op de **A0**-aansluiting.
1. Steek de bodemvochtigheidssensor in de grond, als dit nog niet is gedaan in de vorige les.
> Schetsnotitie door [Nitya Narasimhan](https://github.com/nitya). Klik op de afbeelding voor een grotere versie.
@ -46,8 +46,8 @@ Dit kon erg duur zijn, vereiste een breed scala aan gekwalificeerde medewerkers
De cloud wordt vaak gekscherend 'iemand anders zijn computer' genoemd. Het oorspronkelijke idee was simpel: in plaats van computers te kopen, huur je de computer van iemand anders. Iemand anders, een cloudcomputingprovider, zou enorme datacenters beheren. Zij zouden verantwoordelijk zijn voor het kopen en installeren van de hardware, het beheren van stroom en koeling, netwerken, gebouwbeveiliging, hardware- en software-updates, alles. Als klant huur je de computers die je nodig hebt, huurt meer wanneer de vraag piekt en vermindert het aantal dat je huurt als de vraag daalt. Deze cloud-datacenters bevinden zich overal ter wereld.
Deze datacenters kunnen meerdere vierkante kilometers groot zijn. De bovenstaande afbeeldingen zijn een paar jaar geleden genomen bij een Microsoft cloud-datacenter en tonen de oorspronkelijke grootte, samen met een geplande uitbreiding. Het gebied dat is vrijgemaakt voor de uitbreiding is meer dan 5 vierkante kilometer.
@ -108,11 +108,11 @@ IoT-diensten in de cloud lossen deze problemen op. Ze worden onderhouden door gr
IoT-apparaten verbinden met een clouddienst via een apparaat-SDK (een bibliotheek die code biedt om te werken met de functies van de dienst) of rechtstreeks via een communicatieprotocol zoals MQTT of HTTP. De apparaat-SDK is meestal de gemakkelijkste route omdat deze alles voor je afhandelt, zoals weten welke onderwerpen gepubliceerd of geabonneerd moeten worden en hoe beveiliging moet worden afgehandeld.
Je apparaat communiceert vervolgens met andere onderdelen van je applicatie via deze dienst - vergelijkbaar met hoe je telemetrie verzond en commando's ontving via MQTT. Dit gebeurt meestal via een dienst-SDK of een vergelijkbare bibliotheek. Berichten komen van je apparaat naar de dienst waar andere onderdelen van je applicatie ze kunnen lezen, en berichten kunnen vervolgens terug naar je apparaat worden gestuurd.
Deze diensten implementeren beveiliging door te weten welke apparaten kunnen verbinden en gegevens kunnen verzenden, ofwel door de apparaten vooraf te registreren bij de dienst, of door de apparaten geheime sleutels of certificaten te geven die ze kunnen gebruiken om zichzelf te registreren bij de dienst de eerste keer dat ze verbinden. Onbekende apparaten kunnen niet verbinden; als ze proberen, weigert de dienst de verbinding en negeert de berichten die door hen worden verzonden.
@ -124,7 +124,7 @@ Andere onderdelen van je applicatie kunnen verbinden met de IoT-dienst en leren
Nu je een Azure-abonnement hebt, kun je je aanmelden voor een IoT-service. De IoT-service van Microsoft heet Azure IoT Hub.
> Sketchnote door [Nitya Narasimhan](https://github.com/nitya). Klik op de afbeelding voor een grotere versie.
@ -28,7 +28,7 @@ In deze les behandelen we:
Serverloos, of serverloze computing, houdt in dat je kleine blokken code maakt die in de cloud worden uitgevoerd als reactie op verschillende soorten gebeurtenissen. Wanneer de gebeurtenis plaatsvindt, wordt je code uitgevoerd en krijgt het gegevens over de gebeurtenis mee. Deze gebeurtenissen kunnen afkomstig zijn van verschillende bronnen, zoals webverzoeken, berichten in een wachtrij, wijzigingen in gegevens in een database, of berichten die door IoT-apparaten naar een IoT-service worden gestuurd.
> 💁 Als je eerder database-triggers hebt gebruikt, kun je dit zien als iets vergelijkbaars: code die wordt geactiveerd door een gebeurtenis, zoals het invoegen van een rij.
@ -54,7 +54,7 @@ Als IoT-ontwikkelaar is het serverloze model ideaal. Je kunt een functie schrijv
De serverloze computing-service van Microsoft heet Azure Functions.
> Schetsnotitie door [Nitya Narasimhan](https://github.com/nitya). Klik op de afbeelding voor een grotere versie.
@ -52,11 +52,11 @@ Dit zijn scenario's uit de echte wereld en ze komen regelmatig voor. Enkele voor
Wanneer een apparaat verbinding maakt met een IoT-service, gebruikt het een ID om zichzelf te identificeren. Het probleem is dat dit ID gekloond kan worden - een hacker kan een kwaadaardig apparaat opzetten dat hetzelfde ID gebruikt als een echt apparaat, maar valse gegevens verzendt.
De oplossing hiervoor is om de verzonden gegevens om te zetten in een versleuteld formaat, met behulp van een waarde die alleen bekend is bij het apparaat en de cloud. Dit proces wordt *encryptie* genoemd, en de waarde die wordt gebruikt om de gegevens te versleutelen, wordt een *encryptiesleutel* genoemd.
De cloudservice kan de gegevens vervolgens terugzetten naar een leesbaar formaat met een proces dat *decryptie* wordt genoemd, met behulp van dezelfde encryptiesleutel of een *decryptiesleutel*. Als het versleutelde bericht niet kan worden gedecrypt met de sleutel, is het apparaat gehackt en wordt het bericht geweigerd.
> Schetsnotitie door [Nitya Narasimhan](https://github.com/nitya). Klik op de afbeelding voor een grotere versie.
@ -63,13 +63,13 @@ De aarde is een bol - een driedimensionale cirkel. Hierdoor worden punten gedefi
> 💁 Niemand weet echt de oorspronkelijke reden waarom cirkels in 360 graden zijn verdeeld. De [pagina over graden (hoek) op Wikipedia](https://wikipedia.org/wiki/Degree_(angle)) behandelt enkele van de mogelijke redenen.
Breedtegraad wordt gemeten met lijnen die de aarde omcirkelen en parallel lopen aan de evenaar, waarbij het noordelijk en zuidelijk halfrond elk in 90° worden verdeeld. De evenaar ligt op 0°, de Noordpool op 90°, ook wel 90° Noord genoemd, en de Zuidpool op -90°, of 90° Zuid.
Lengtegraad wordt gemeten als het aantal graden gemeten van oost naar west. De oorsprong van 0° lengtegraad wordt de *Prime Meridian* genoemd en werd in 1884 gedefinieerd als een lijn van de Noordpool naar de Zuidpool die door het [British Royal Observatory in Greenwich, Engeland](https://wikipedia.org/wiki/Royal_Observatory,_Greenwich) loopt.
> 🎓 Een meridiaan is een denkbeeldige rechte lijn die van de Noordpool naar de Zuidpool loopt en een halve cirkel vormt.
@ -100,7 +100,7 @@ Coördinaten voor een punt worden altijd gegeven als `breedtegraad, lengtegraad`
* Een breedtegraad van 47.6423109 (47.6423109 graden ten noorden van de evenaar)
* Een lengtegraad van -122.1390293 (122.1390293 graden ten westen van de Prime Meridian).
## Global Positioning Systems (GPS)
@ -112,7 +112,7 @@ GPS-systemen werken door een aantal satellieten die een signaal uitzenden met de
> 💁 GPS-sensoren hebben antennes nodig om radiogolven te detecteren. De antennes die zijn ingebouwd in vrachtwagens en auto's met ingebouwde GPS zijn zo geplaatst dat ze een goed signaal krijgen, meestal op de voorruit of het dak. Als je een apart GPS-systeem gebruikt, zoals een smartphone of een IoT-apparaat, moet je ervoor zorgen dat de antenne die in het GPS-systeem of de telefoon is ingebouwd een vrij zicht op de lucht heeft, bijvoorbeeld door deze op je voorruit te monteren.
GPS-satellieten draaien rond de aarde en bevinden zich niet op een vaste plek boven de sensor, dus locatiegegevens omvatten hoogte boven zeeniveau naast breedte- en lengtegraad.
@ -18,13 +18,13 @@ De Grove GPS-sensor kan worden aangesloten op de Raspberry Pi.
Verbind de GPS-sensor.
1. Steek één uiteinde van een Grove-kabel in de aansluiting op de GPS-sensor. De kabel past maar op één manier.
1. Met de Raspberry Pi uitgeschakeld, verbind je het andere uiteinde van de Grove-kabel met de UART-aansluiting gemarkeerd als **UART** op de Grove Base Hat die op de Pi is bevestigd. Deze aansluiting bevindt zich op de middelste rij, aan de kant die het dichtst bij de SD-kaartsleuf ligt, tegenover de USB-poorten en ethernet-aansluiting.
1. Plaats de GPS-sensor zo dat de aangesloten antenne zicht heeft op de lucht - bij voorkeur naast een open raam of buiten. Het is gemakkelijker om een duidelijker signaal te krijgen zonder obstakels voor de antenne.
@ -102,17 +102,17 @@ Programmeur de GPS-sensor-app.
* Stel de **Source** in op `Lat/Lon` en stel een specifieke breedtegraad, lengtegraad en aantal satellieten in die worden gebruikt om de GPS-fix te krijgen. Deze waarde wordt slechts één keer verzonden, dus vink het vakje **Repeat** aan om de gegevens elke seconde te herhalen.
* Stel de **Source** in op `NMEA` en voeg enkele NMEA-zinnen toe in het tekstvak. Al deze waarden worden verzonden, met een vertraging van 1 seconde voordat elke nieuwe GGA (positie-fix) zin kan worden gelezen.
Je kunt een tool zoals [nmeagen.org](https://www.nmeagen.org) gebruiken om deze zinnen te genereren door op een kaart te tekenen. Deze waarden worden slechts één keer verzonden, dus vink het vakje **Repeat** aan om de gegevens één seconde na verzending opnieuw te laten herhalen.
* Stel de **Source** in op GPX-bestand en upload een GPX-bestand met tracklocaties. Je kunt GPX-bestanden downloaden van een aantal populaire kaart- en wandelwebsites, zoals [AllTrails](https://www.alltrails.com/). Deze bestanden bevatten meerdere GPS-locaties als een route, en de GPS-sensor retourneert elke nieuwe locatie met intervallen van 1 seconde.
Deze waarden worden slechts één keer verzonden, dus vink het vakje **Repeat** aan om de gegevens één seconde na verzending opnieuw te laten herhalen.
> Sketchnote door [Nitya Narasimhan](https://github.com/nitya). Klik op de afbeelding voor een grotere versie.
@ -75,7 +75,7 @@ NoSQL-databases worden NoSQL genoemd omdat ze niet dezelfde rigide structuur heb
> 💁 Ondanks hun naam staan sommige NoSQL-databases toe dat je SQL gebruikt om de gegevens op te vragen.
NoSQL-databases hebben geen vooraf gedefinieerd schema dat beperkt hoe gegevens worden opgeslagen; in plaats daarvan kun je ongestructureerde gegevens invoegen, meestal met JSON-documenten. Deze documenten kunnen worden georganiseerd in mappen, vergelijkbaar met bestanden op je computer. Elk document kan verschillende velden hebben ten opzichte van andere documenten - bijvoorbeeld, als je IoT-gegevens van je landbouwvoertuigen opslaat, kunnen sommige velden hebben voor versnellingsmeter- en snelheidsgegevens, terwijl andere velden hebben voor de temperatuur in de aanhanger. Als je een nieuw type vrachtwagen toevoegt, zoals een met ingebouwde weegschalen om het gewicht van de vervoerde producten te volgen, kan je IoT-apparaat dit nieuwe veld toevoegen en kan het worden opgeslagen zonder wijzigingen aan de database.
@ -89,7 +89,7 @@ In deze les ga je NoSQL-opslag gebruiken om IoT-gegevens op te slaan.
In de vorige les heb je GPS-gegevens vastgelegd van een GPS-sensor die is aangesloten op je IoT-apparaat. Om deze IoT-gegevens in de cloud op te slaan, moet je ze naar een IoT-service verzenden. Je gebruikt opnieuw Azure IoT Hub, dezelfde IoT-cloudservice die je in het vorige project hebt gebruikt.
### Taak - GPS-gegevens verzenden naar een IoT Hub
@ -171,7 +171,7 @@ Koude pad-gegevens worden opgeslagen in datawarehouses - databases die zijn ontw
Zodra gegevens naar je IoT Hub stromen, kun je serverloze code schrijven om te luisteren naar gebeurtenissen die worden gepubliceerd naar het Event-Hub compatibele eindpunt. Dit is het warme pad - deze gegevens worden opgeslagen en gebruikt in de volgende les voor rapportage over de reis.
### Taak - GPS-evenementen verwerken met serverloze code
@ -193,7 +193,7 @@ Zodra gegevens naar je IoT Hub stromen, kun je serverloze code schrijven om te l
Azure Storage Accounts is een algemene opslagservice waarmee je gegevens op verschillende manieren kunt opslaan. Je kunt gegevens opslaan als blobs, in wachtrijen, in tabellen of als bestanden, en dit allemaal tegelijkertijd.
> Schetsnotitie door [Nitya Narasimhan](https://github.com/nitya). Klik op de afbeelding voor een grotere versie.
@ -64,11 +64,11 @@ Een eenvoudig voorbeeld: in het landbouwproject heb je vochtigheidsmetingen van
Voor een mens kan het begrijpen van deze gegevens lastig zijn. Het is een muur van cijfers zonder betekenis. Als eerste stap om deze gegevens te visualiseren, kunnen ze worden uitgezet in een lijndiagram:
Dit kan verder worden verbeterd door een lijn toe te voegen die aangeeft wanneer het automatische bewateringssysteem werd ingeschakeld bij een bodemvochtmeting van 450:
Dit diagram laat heel snel zien niet alleen wat de bodemvochtigheidsniveaus waren, maar ook de punten waarop het bewateringssysteem werd ingeschakeld.
@ -84,7 +84,7 @@ Bij het werken met GPS-gegevens kan de duidelijkste visualisatie zijn om de gege
Werken met kaarten is een interessante oefening, en er zijn veel opties om uit te kiezen, zoals Bing Maps, Leaflet, Open Street Maps en Google Maps. In deze les leer je over [Azure Maps](https://azure.microsoft.com/services/azure-maps/?WT.mc_id=academic-17441-jabenn) en hoe je hiermee je GPS-gegevens kunt weergeven.
Azure Maps is "een verzameling geospatiale services en SDK's die gebruik maken van actuele kaartgegevens om geografische context te bieden aan web- en mobiele applicaties." Ontwikkelaars krijgen tools om prachtige, interactieve kaarten te maken die dingen kunnen doen zoals aanbevolen verkeersroutes bieden, informatie geven over verkeersincidenten, indoor navigatie, zoekmogelijkheden, hoogte-informatie, weerservices en meer.
@ -185,7 +185,7 @@ Nu kun je de volgende stap zetten, namelijk je kaart weergeven op een webpagina.
Als je je `index.html`-pagina opent in een webbrowser, zou je een kaart moeten zien die is geladen en gericht is op het gebied van Seattle.
✅ Experimenteer met de zoom- en middenparameters om je kaartweergave te wijzigen. Je kunt verschillende coördinaten toevoegen die overeenkomen met de breedte- en lengtegraad van je gegevens om de kaart opnieuw te centreren.
@ -319,7 +319,7 @@ Als je een oproep doet naar je opslag om de gegevens op te halen, kun je verrast
1. Laad de HTML-pagina in je browser. De kaart wordt geladen, vervolgens worden alle GPS-gegevens uit de opslag geladen en op de kaart geplot.
> 💁 Je kunt deze code vinden in de [code](../../../../../3-transport/lessons/3-visualize-location-data/code) map.
> Schetsnotitie door [Nitya Narasimhan](https://github.com/nitya). Klik op de afbeelding voor een grotere versie.
@ -35,7 +35,7 @@ In deze les behandelen we:
Een geofence is een virtuele omtrek voor een geografisch gebied in de echte wereld. Geofences kunnen cirkels zijn, gedefinieerd als een punt en een straal (bijvoorbeeld een cirkel van 100 meter rond een gebouw), of een veelhoek die een gebied beslaat, zoals een schoolzone, stadsgrenzen of een universiteits- of kantoorcampus.
> 💁 Misschien heb je al eerder geofences gebruikt zonder het te weten. Als je een herinnering hebt ingesteld met de iOS-herinneringen-app of Google Keep op basis van een locatie, heb je een geofence gebruikt. Deze apps stellen een geofence in op basis van de opgegeven locatie en waarschuwen je wanneer je telefoon de geofence binnenkomt.
@ -212,7 +212,7 @@ Het is belangrijk om de afstand tot de rand van de geofence te kennen en dit te
Stel je bijvoorbeeld voor dat GPS-metingen laten zien dat een voertuig langs een weg rijdt die naast een geofence loopt. Als een enkele GPS-waarde onnauwkeurig is en het voertuig binnen de geofence plaatst, ondanks dat er geen toegang voor voertuigen is, kan dit worden genegeerd.
In de bovenstaande afbeelding is er een geofence over een deel van de Microsoft-campus. De rode lijn toont een vrachtwagen die langs de 520 rijdt, met cirkels die de GPS-metingen aangeven. De meeste hiervan zijn nauwkeurig en bevinden zich langs de 520, met één onnauwkeurige meting binnen de geofence. Het is onmogelijk dat die meting correct is - er zijn geen wegen waar de vrachtwagen plotseling van de 520 naar de campus kan afwijken en vervolgens weer terug naar de 520. De code die deze geofence controleert, moet rekening houden met de eerdere metingen voordat er actie wordt ondernomen op basis van de resultaten van de geofence-test.
✅ Welke aanvullende gegevens zou je nodig hebben om te controleren of een GPS-meting als correct kan worden beschouwd?
@ -284,7 +284,7 @@ Zoals je je herinnert uit eerdere lessen, stelt de IoT Hub je in staat om gebeur
Het antwoord is dat het dat niet kan! In plaats daarvan kun je meerdere afzonderlijke verbindingen definiëren om gebeurtenissen te lezen, en elk kan het opnieuw afspelen van ongelezen berichten beheren. Dit worden *consumer groups* genoemd. Wanneer je verbinding maakt met het eindpunt, kun je specificeren met welke consumer group je verbinding wilt maken. Elk onderdeel van je applicatie zal verbinding maken met een andere consumer group.
In theorie kunnen maximaal 5 applicaties verbinding maken met elke consumer group, en ze zullen allemaal berichten ontvangen wanneer deze binnenkomen. Het is best practice om slechts één applicatie toegang te geven tot elke consumer group om dubbele berichtverwerking te voorkomen en ervoor te zorgen dat bij het opnieuw starten alle wachtrijberichten correct worden verwerkt. Bijvoorbeeld, als je je Functions-app lokaal lanceert terwijl deze ook in de cloud draait, zouden beide berichten verwerken, wat leidt tot dubbele blobs die in het opslagaccount worden opgeslagen.
> Schets door [Nitya Narasimhan](https://github.com/nitya). Klik op de afbeelding voor een grotere versie.
@ -38,7 +38,7 @@ Niet alle gewassen rijpen gelijkmatig. Tomaten, bijvoorbeeld, kunnen nog groene
De opkomst van geautomatiseerde oogst heeft het sorteren van producten van de oogst naar de fabriek verplaatst. Voedsel zou op lange transportbanden reizen met teams van mensen die het product inspecteren en alles verwijderen dat niet aan de vereiste kwaliteitsnormen voldeed. Oogsten werd goedkoper dankzij machines, maar er waren nog steeds kosten verbonden aan het handmatig sorteren van voedsel.
De volgende evolutie was het gebruik van machines om te sorteren, ingebouwd in de oogstmachine of in de verwerkingsfabrieken. De eerste generatie van deze machines gebruikte optische sensoren om kleuren te detecteren, waarbij actuatoren groene tomaten in een afvalbak duwden met behulp van hefbomen of luchtstoten, terwijl rode tomaten verder gingen op een netwerk van transportbanden.
@ -62,7 +62,7 @@ Bijvoorbeeld, je zou een model miljoenen foto's van onrijpe bananen kunnen geven
> 🎓 De resultaten van ML-modellen worden *voorspellingen* genoemd.
ML-modellen geven geen binair antwoord, maar geven waarschijnlijkheden. Bijvoorbeeld, een model kan een foto van een banaan krijgen en voorspellen `rijp` met 99,7% en `onrijp` met 0,3%. Je code zou dan de beste voorspelling kiezen en beslissen dat de banaan rijp is.
@ -90,7 +90,7 @@ Er zijn een breed scala aan tools die je hierbij kunnen helpen, waaronder cloudg
Custom Vision is een cloudgebaseerde tool voor het trainen van beeldclassifiers. Het stelt je in staat om een classifier te trainen met slechts een klein aantal afbeeldingen. Je kunt afbeeldingen uploaden via een webportaal, web-API of een SDK, waarbij je elke afbeelding een *tag* geeft die de classificatie van die afbeelding aangeeft. Vervolgens train je het model en test je het om te zien hoe goed het presteert. Zodra je tevreden bent met het model, kun je versies ervan publiceren die toegankelijk zijn via een web-API of een SDK.
> 💁 Je kunt een Custom Vision-model trainen met slechts 5 afbeeldingen per classificatie, maar meer is beter. Je kunt betere resultaten behalen met minstens 30 afbeeldingen.
@ -146,7 +146,7 @@ Om Custom Vision te gebruiken, moet je eerst twee cognitive services-resources i
Wanneer je je project maakt, zorg ervoor dat je de `fruit-quality-detector-training`-resource gebruikt die je eerder hebt gemaakt. Gebruik een *Classification*-projecttype, een *Multiclass*-classificatietype en het *Food*-domein.
✅ Neem de tijd om de Custom Vision-gebruikersinterface voor je beeldclassifier te verkennen.
@ -164,7 +164,7 @@ Beeldclassificators werken op een zeer lage resolutie. Bijvoorbeeld, Custom Visi
* Gebruik 2 rijpe bananen en maak enkele foto's van elk vanuit verschillende hoeken. Maak minstens 7 foto's (5 om te trainen, 2 om te testen), maar idealiter meer.
* Herhaal hetzelfde proces met 2 onrijpe bananen.
@ -174,7 +174,7 @@ Beeldclassificators werken op een zeer lage resolutie. Bijvoorbeeld, Custom Visi
1. Volg de [upload en tag afbeeldingen sectie van de build a classifier quickstart op de Microsoft docs](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/getting-started-build-a-classifier?WT.mc_id=academic-17441-jabenn#upload-and-tag-images) om je trainingsafbeeldingen te uploaden. Tag het rijpe fruit als `ripe`, en het onrijpe fruit als `unripe`.
1. Volg de [train de classifier sectie van de build a classifier quickstart op de Microsoft docs](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/getting-started-build-a-classifier?WT.mc_id=academic-17441-jabenn#train-the-classifier) om de beeldclassifier te trainen op je geüploade afbeeldingen.
@ -192,7 +192,7 @@ Zodra je classifier is getraind, kun je hem testen door een nieuwe afbeelding te
1. Volg de [test je model documentatie op de Microsoft docs](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/test-your-model?WT.mc_id=academic-17441-jabenn#test-your-model) om je beeldclassifier te testen. Gebruik de testafbeeldingen die je eerder hebt gemaakt, niet de afbeeldingen die je hebt gebruikt voor training.
1. Probeer alle testafbeeldingen die je beschikbaar hebt en observeer de waarschijnlijkheden.
# Controleer de kwaliteit van fruit met een IoT-apparaat
> Schetsnotitie door [Nitya Narasimhan](https://github.com/nitya). Klik op de afbeelding voor een grotere versie.
@ -26,7 +26,7 @@ In deze les behandelen we:
Camerasensoren zijn, zoals de naam al aangeeft, camera's die je kunt aansluiten op je IoT-apparaat. Ze kunnen stilstaande beelden maken of videostreams vastleggen. Sommige geven ruwe beeldgegevens terug, terwijl andere de gegevens comprimeren tot een afbeeldingsbestand zoals een JPEG of PNG. Meestal zijn de camera's die werken met IoT-apparaten veel kleiner en hebben ze een lagere resolutie dan je gewend bent, maar je kunt ook camera's met een hoge resolutie krijgen die kunnen concurreren met de beste smartphones. Er zijn allerlei verwisselbare lenzen, opstellingen met meerdere camera's, infrarood thermische camera's of UV-camera's beschikbaar.
De meeste camerasensoren gebruiken beeldsensoren waarbij elke pixel een fotodiode is. Een lens richt het beeld op de beeldsensor, en duizenden of miljoenen fotodiodes detecteren het licht dat op elke diode valt en registreren dit als pixelgegevens.
@ -74,7 +74,7 @@ Iteraties worden gepubliceerd vanuit het Custom Vision-portaal.
1. Stel in het dialoogvenster *Publish Model* de *Prediction resource* in op de `fruit-quality-detector-prediction`-resource die je in de vorige les hebt gemaakt. Laat de naam staan als `Iteration2` en klik op de knop **Publish**.
@ -88,7 +88,7 @@ Iteraties worden gepubliceerd vanuit het Custom Vision-portaal.
Kopieer ook de waarde van de *Prediction-Key*. Dit is een beveiligde sleutel die je moet doorgeven wanneer je het model aanroept. Alleen toepassingen die deze sleutel doorgeven, mogen het model gebruiken; andere toepassingen worden geweigerd.
✅ Wanneer een nieuwe iteratie wordt gepubliceerd, heeft deze een andere naam. Hoe denk je dat je de iteratie kunt wijzigen die een IoT-apparaat gebruikt?
@ -109,7 +109,7 @@ Het kan zijn dat de resultaten die je krijgt bij het gebruik van de camera die o
Om de beste resultaten voor een beeldclassificator te krijgen, wil je het model trainen met afbeeldingen die zo veel mogelijk lijken op de afbeeldingen die worden gebruikt voor voorspellingen. Als je bijvoorbeeld je telefooncamera hebt gebruikt om afbeeldingen voor training vast te leggen, zullen de beeldkwaliteit, scherpte en kleur anders zijn dan die van een camera die is aangesloten op een IoT-apparaat.
In de afbeelding hierboven is de bananenfoto links gemaakt met een Raspberry Pi-camera, en de foto rechts is gemaakt van dezelfde banaan op dezelfde locatie met een iPhone. Er is een duidelijk verschil in kwaliteit: de iPhone-foto is scherper, met helderdere kleuren en meer contrast.
@ -16,7 +16,7 @@ De camera kan met een lintkabel op de Raspberry Pi worden aangesloten.
### Taak - sluit de camera aan
1. Zet de Pi uit.
@ -24,17 +24,17 @@ De camera kan met een lintkabel op de Raspberry Pi worden aangesloten.
Je kunt een animatie bekijken over hoe je de clip opent en de kabel invoert in de [Raspberry Pi Getting Started with the Camera module documentation](https://projects.raspberrypi.org/en/projects/getting-started-with-picamera/2).
1. Verwijder de Grove Base Hat van de Pi.
1. Leid de lintkabel door de camerasleuf in de Grove Base Hat. Zorg ervoor dat de blauwe zijde van de kabel naar de analoge poorten gericht is, gemarkeerd met **A0**, **A1**, enz.
1. Steek de lintkabel in de camera-aansluiting op de Pi. Trek opnieuw het zwarte plastic clipje omhoog, steek de kabel in de aansluiting en duw het clipje weer terug. De blauwe zijde van de kabel moet naar de USB- en ethernetpoorten gericht zijn.
1. Plaats de Grove Base Hat terug.
@ -101,7 +101,7 @@ Programmeur het apparaat.
De regel `camera.rotation = 0` stelt de rotatie van de afbeelding in. De lintkabel komt aan de onderkant van de camera binnen, maar als je de camera hebt gedraaid om deze gemakkelijker te richten op het object dat je wilt classificeren, kun je deze regel aanpassen aan het aantal graden van rotatie.
Als je bijvoorbeeld de lintkabel over iets heen hangt zodat deze aan de bovenkant van de camera zit, stel dan de rotatie in op 180:
Some files were not shown because too many files have changed in this diff
Show More
localizeflow[bot]
3 months ago