物联网应用设计与实战：基于AVR单片机和Python

译者序
前言
第1章　物联网设备设计的开发环境 1
1.1　因特网资源的检索法 4
1.2　用虚拟机VMware Player 安装客操作系统（Ubuntu） 8
1.3　在Ubuntu上构建Arduino的开发环境 18
1.3.1　报错的基本处理方法以及Windows上无用文件的删除 21
1.3.2　Linux的更新和升级 22
1.3.3　Cygwin的安装 25
1.3.4 　Python库的安装 26
1.4　AVR写入器的制作 28
1.5　使用AVR写入器向AVR单片机写入固件 30
第2章　物联网设备的硬件和接口 35
2.1　构成物联网设备的AVR单片机 36
2.2　构成物联网设备的传感器和驱动部件 43
2.2.1　i2c接口的气压传感器（BMP180） 43
2.2.2　SPI接口的FlashAir SD卡 57
2.2.3　Wi-Fi串口模块（ESP8266） 61
2.2.4　为物联网设备设计印制电路板（PCBE） 68
第3章　构成物联网设备的开源软件 72
3.1　使用伺服库控制伺服电机 73
3.2　使用Wire（i2c）库控制LCD 76
3.3　使用Adafruit库的自带控制器的RGB LED（NeoPixel）控制 81
3.4　阻抗数字转换器（AD5933） 83
3.5　Python开源的活用 93
3.5.1　定期客户访问系统 93
3.5.2　cron和crontab的设定 97
3.5.3　OAuth 2.0认证的gspread库的comoauth 2.py程序 98
第4章　Python的设置与机器学习 100
4.1　Python的环境设定 100
4.1.1　在Windows上安装Python 100
4.1.2　在Ubuntu上设置Python 103
4.1.3　在Raspberry Pi2 上设置Python 103
4.1.4　Raspberry Pi2连接i2c传感器 107
4.2　scikit-learn 120
4.2.1　使用scikit-learn的文本学习 121
4.2.2　用马尔可夫模型来挑战《海螺小姐》的石头剪刀布 124
4.3　使用statsmodels和scikit-learn进行多元回归分析 127
4.3.1　使用statesmodels的OLS模型进行多元回归分析 127
4.3.2　使用statesmodels的RLM模型进行多元回归分析 131
4.3.3　使用scikit-learn的Lasso模型进行多元回归分析 131
4.3.4　使用scikit-learn的AdaBoost和DecisionTree模型进行多元回归分析 132
4.3.5　使用scikit-learn的RandomForest模型进行多元回归分析 133
4.3.6　使用scikit-learn的其他集成学习模型进行多元回归分析 135
4.4　神经网络深度学习 136
第5章　使用Python进行图像处理 142
5.1　使用OpenCV的基础程序 142
5.2　使用摄像头进行可见光通信 145
5.3　数一数物体和人 147
5.4　挑战解答数独 149
5.5　分析不可思议的颜色 152
5.6　模板匹配 155
5.7　基于Bag of Features的图片学习的分类器 157
第6章　Python的云活用 162
6.1　freeDNS的活用 162
6.2　云Dropbox的使用 164
6.3　云Google drive的使用 166
6.3.1　访问Google drive 166
6.3.2　Google drive的OAuth 2.0认证 168
6.3.3　为pydrive库添加删除功能 171
6.3.4　Google drive和pydrive的MIME类型的错误匹配 174
第7章　使用Python在智能手机中活用SL4A 176
7.1　安装SL4A 176
7.2　Weather-station 180
第8章　三种平台（Windows、Android、Raspberry Pi2）上的语音识别 184
8.1　Windows平台上的语音识别 184
8.2　安卓平台上的语音识别 187
8.3　Raspberry Pi2平台上的语音识别 188
附录A　用Python进行简单的GUI开发 195
附录B　Sigfox（物联网设备专用的LPWAN） 198