AIoT & Cloud & Edge & Machine Learning

【 NLP 】使用 Discord 與 Azure OpenAI ChatGPT 建立 AI 問答機器人 ( Python )

內容前置準備作業檔案結構建立 Azure OpenAI ChatGPT 建立 Discord 伺服器取得 Discord Bot Token API 格式修改與執行 Bot 程式測試與驗證前置準備作業已建立 Azure 帳號並能正常登入與使用 https://portal.azure.com/ 已於電腦端安裝 IDE，本範例使用 Visual Studio Code 已於電腦端安裝 Python https://www.python.org/downloads/ 檔案結構 . ├── .env ├── .env-Sample ├── README.md ├── app.py ├── azure_openai.

AIoT & Cloud & Edge & Machine Learning

【 NLP 】使用 Discord 與 Azure OpenAI ChatGPT 建立 AI 問答機器人 ( Node.js )

內容前置準備作業檔案結構建立 Azure OpenAI ChatGPT 建立 Discord 伺服器取得 Discord Bot Token API 格式修改與執行 Bot 程式測試與驗證前置準備作業已建立 Azure 帳號並能正常登入與使用 https://portal.azure.com/ 已於電腦端安裝 IDE，本範例使用 Visual Studio Code 已於電腦端安裝 Node.js https://nodejs.org/zh-tw/download 檔案結構 . ├── .env ├── .env-Sample ├── README.md ├── Service │ └── azureOpenAI.js

AIoT & Cloud & Edge & Machine Learning

【 MLOps 】依 train 與 test 的 csv 內容的檔案分類從 Azure Blob 匯入到 AzureML Studio 中的 Data assets

內容檔案結構學習目標前置準備作業資料集入 AzureML Data Assets 驗證 AzureML Studio 中的 Data Assets 檔案結構 Azure Blob └── Azure Blob ( ㊟ Azure Blob 服務 ) └── randomdatasets ( ㊟自行建立的 Azure Blob ) └── datasets ( ㊟自行建立的 Container ) ├── 1.jpg ├── 2.jpg ├── 3.jpg ├── 4.jpg ├── 5.jpg ├── 6.jpg ├── 7.jpg ├── 8.jpg ├── 9.jpg └── 10.jpg train.

AIoT & Cloud & Edge & Machine Learning

【 MLOps 】透過 GitHub Action 觸發 Azure Machine Learning 中的 Pipeline Job 進行模型訓練與驗證並透過 Microsoft Teams 傳送相關資訊

內容前置準備作業流程建立 Azure 服務所使用的名稱 Repository、Blob 與 AzureML Studio 之 Data、Components 與 Models 結構上傳資料集到 Azure Blob 並取得存取 Key 建立 Azure IoT Hub 建立 Microsoft Teams 建立 Microsoft Azure Machine Learning Studio 產生部署認證建立 GitHub Secret Edge 端下載訓練完成的 Model 修改程式並 Push 到 GitHub 驗證結果前置準備作業已建立 Azure

AIoT & Cloud & Edge & Machine Learning

【 NLP 】使用 Vue 與 Azure OpenAI ChatGPT 建立 AI 問答機器人

內容前置準備作業檔案結構流程建立 Azure OpenAI ChatGPT Push Vue Code 到 GitHub 並設定 Secret API 格式建立 Azure Static Web App 修改 GitHub Action 的 YAML 確認結果前置準備作業已建立 Azure 帳號並能正常登入與使用 https://portal.azure.com/ 已建立 GitHub 帳號並能正常登入與使用 https://github.com/ 已於電腦端安裝 IDE，本範例使用 Visual Studio Code 檔案結構 ├── .github

AIoT & Cloud & Edge & Machine Learning

【 Cloud 】透過 GitHub Action 部署 React 到 Azure Static Web App 並設定 Secret

內容學習目標前置準備作業檔案結構建立 GitHub Repository 設定 GitHub Action Secret 連接 GitHub 與 Azure Static Web App Push React App 到 GitHub 前置準備作業已建立 Azure 帳號並能正常登入與使用 https://portal.azure.com/ 檔案結構 ├── .github │ └── workflows │ └── azure-static-web-apps-kind-bush-02b1f8f10.yml ├── README.md ├── package-lock.json ├── package.json ├── public │ ├── favicon.ico │ ├── index.html │ ├── logo192.png │ ├── logo512.

AIoT & Cloud & Edge & Machine Learning

【 Cloud 】透過 GitHub Action 部署 Vue 到 Azure Static Web App 並設定 Secret

內容學習目標前置準備作業檔案結構建立 GitHub Repository 設定 GitHub Action Secret 連接 GitHub 與 Azure Static Web App Push Vue App 到 GitHub 前置準備作業已建立 Azure 帳號並能正常登入與使用 https://portal.azure.com/ 檔案結構 ├── .github │ └── workflows │ └── azure-static-web-apps-kind-bush-02b1f8f10.yml ├── README.md ├── babel.config.js ├── jsconfig.json ├── package-lock.json ├── package.json ├── public │ ├── favicon.ico

AIoT & Cloud & Edge & Machine Learning

【 XAI 】使用 Azure Machine Learning Studio 執行 AI Explainability 360 Toolkit ( AIX360 )

內容前言前置準備作業上傳 Dataset 到 Azure Blob 建立 Microsoft Azure Machine Learning Studio 建立 Trusted AI - AIX360 前言 Trusted-AI-AIX360 是由 IBM 開發的 AI 透明度和公正性 Toolkit，它為了幫助開發人員、數據科學家和決策者在使用 AI 技術時，能夠更好地理解和解釋 AI 模型的行為和決策，以及檢測和糾正潛在的不公平和偏見。該工具箱包括一系列模型解釋和驗證工具，包括模型評估、檢測和修正不公平和偏見、生成對抗樣本以及可解釋性和可視化工具，這些工具可以幫助用戶了解 AI 模型的決策過程、檢測和解決潛在的公平性問題，並提供可解釋性和解釋性能力，從而提高決策的透明度和公正性。前置準備作業已建立 Azure 帳號並能正常登入與使用 https:

AIoT & Cloud & Edge & Machine Learning

【 MLOps 】在 AzureML Pipeline 中啟用 TensorFlow GPU

內容學習目標前置準備作業上傳 Sample Code AzureML Pipeline 啟用 Tensorfow GPU 前置準備作業已建立 Azure 帳號並能正常登入 https://portal.azure.com/ 已於 Microsoft Azure Machine Learning Studio 建立所要使用的 Compute 確認 Compute instance 與 Python 3.8 - AuzreML 是否為綠燈 ( 綠燈代表正常運作中 ) 且已建立 Juypter Notebook 上傳 Sample Code 在 Jupyter Notebook 中執行下方指令 !git clone

AIoT & Cloud & Edge & Machine Learning

【 MLOps 】使用 AzureML 記錄計量、參數與檔案

內容學習目標前置準備作業前言使用 run.log 使用 run.log_list 使用 run.log_row 使用 run.log_table 使用 run.log_image 學習目標如何使用 AzureML 中的 log、log_list、log_row、log_table、log_image 進行實驗過程中的數據進行保存。前置準備作業已建立 Azure 帳號並能正常登入 https://portal.azure.com/ 已於 Microsoft Azure Machine Learning

AIoT & Cloud & Edge & Machine Learning

【 MLOps 】使用 Azure Machine Learning SDK 來建立及執行機器學習管線 - 以 TensorFlow Iris 為例

內容學習目標前置準備作業流程上傳 Dataset 到 Azure Blob 建立 Microsoft Azure Machine Learning Studio 建立 AzureML Pipeline 學習目標將訓練與評估的 CSV 檔案從本地端傳送至 Azure Blob。將 AzureML Datastore 連接至 Azure Blob。從 AzureML Datastore 讀取 CSV 檔案並建立對應的 Dataset 物件。建立 Azure ML PipelineData 物件，以存儲在管道的訓練和評估步驟中產生的中間資料。通過 Azure ML Pipeline 建立訓練和評估 2

AIoT & Cloud & Edge & Machine Learning

【 Edge 】Windows 使用 MobaXterm 透過 Serial Port 進行連接

內容學習目標前置準備作業透過 Serial Port 進行連接學習目標如何在 Windows 使用 MobaXterm 透過 Serial Port 連接 Edge。前置準備作業已有一台擁有 Serial Port 的 Edge。已有一台 Windows 電腦。已將 Windows 電腦透過 Serial Port 對裝置進行串接。透過 Serial Port 進行連接 Step 1. 安裝 MobaXterm 下載網址如下： https://mobaxterm.mobatek.net/download.html Step 2. 啟動

AIoT & Cloud & Edge & Machine Learning

【 Edge 】Windows 使用 Putty 透過 Serial Port 進行連接

內容學習目標前置準備作業透過 Serial Port 進行連接學習目標如何在 Windows 使用 Putty 透過 Serial Port 連接 Edge。前置準備作業已有一台擁有 Serial Port 的 Edge。已有一台 Windows 電腦。已將 Windows 電腦透過 Serial Port 對裝置進行串接。透過 Serial Port 進行連接 Step 1. 查看 Windows 電腦上的 Serial Port 號 Step 2. 安裝 Putty 下載網址如下： https:

AIoT & Cloud & Edge & Machine Learning

【 Edge 】macOS 使用 Terminal 透過 Serial Port 進行連接

內容學習目標前置準備作業透過 Serial Port 進行連接學習目標如何在 macOS 透過 Serial Port 連接 Edge。前置準備作業已有一台擁有 Serial Port 的 Edge。已有一台 macOS 電腦。已將 macOS 電腦透過 Serial Port 對裝置進行串接。透過 Serial Port 進行連接 Step 1. 查詢 COM Port 資訊請於終端機輸入下方指令 ls -al /dev/tty.usbserial* Step 2. 安裝 screen

AIoT & Cloud & Edge & Machine Learning

【 Edge 】Ubuntu 透過 Serial Port 進行連接

內容學習目標前置準備作業透過 Serial Port 進行連接學習目標如何在 Ubuntu 透過 Serial Port 連接 Edge。前置準備作業已有一台擁有 Serial Port 的 Edge。已有一台 Ubuntu 電腦。已將 Ubuntu 電腦透過 Serial Port 對裝置進行串接。透過 Serial Port 進行連接 Step 1. 查詢 COM Port 資訊請於終端機輸入下方指令 sudo dmesg | grep tty Step 2. 安裝 screen 套件

AIoT & Cloud & Edge & Machine Learning

【 Cloud 】設定 Azure 費用警示通知

內容學習目標前置準備作業設定 Azure 費用警示通知費用超過所設定的警戒值所收到的 Email 內容學習目標如何在設定 Azure 費用警示通知前置準備作業已建立 Azure 帳號並能正常登入 https://portal.azure.com/ 設定 Azure 費用警示通知 Step 1. 登入 Azure Step 2. 開啟警示設定頁面點選左上角的 ≡ > 再點選 Cost Management + Billing 點選左側的 Cost Management 點選上方的 Scope 選擇所要設定的訂閱點選上方的 Add 填寫相關資訊 Name 欄位請填寫唯一且可識別的名稱，本範例使用

AIoT & Cloud & Edge & Machine Learning

【 Container】使用 Buildx 建構多重系統架構的 Docker 映像檔

內容學習目標前置準備作業流程於 ARM CPU 的電腦來建立 Docker Image 並上傳 Image 到 Docker Hub 於 x86 CPU 的 Ubuntu 電腦執行 Docker Image 學習目標如何使用 Buildx 建構多重系統架構的 Docker 映像檔前置準備作業已建立 Docker Hub 帳號並能正常登入 https://hub.docker.com/ 準備一台 ARM CPU 的電腦來建立 Docker Image，本範例使用 Apple MacBook ( M1 Max ) 為例並完成

AIoT & Cloud & Edge & Machine Learning

【 Container 】設定 Docker 時區

內容學習目標前置準備作業 alpine Docker Image 設定時區 Ubuntu Docker Image 設定時區學習目標如何設定 Docker 時區，以 alpine 與 Ubuntu 為例前置準備作業已於電腦端安裝 Docker Engine 已於電腦端安裝 IDE，本範例使用 Visual Studio Code alpine Docker Image 設定時區 Step 1. 請建立 Dockerfile 檔案，其內容如下： Step 2. Build Image 於終端機輸入下方指令： sudo docker build -t alpine-set-timezone:

AIoT & Cloud & Edge & Machine Learning

【 Cloud 】於 Azure Ubuntu VM 安裝 mlflow 與 Jupyter

內容學習目標前置準備作業開啟 Azure Ubuntu VM 的 Port 安裝 mlflow 安裝 PostgreSQL 與設定安裝 Jupyter 與設定測試與驗證學習目標如何在 Azure Ubuntu VM 安裝 mlflow 與 Jupyter 前置準備作業已建立 Azure 帳號並能正常登入已建立 Azure Ubuntu VM 開啟 Azure Ubuntu VM 的 Port Step 1. 開啟 mlflow 所使用的 5000 埠點選左側的 Networking

AIoT & Cloud & Edge & Machine Learning

【 Cloud 】掛載 Storage account Blob 於 Azure Ubuntu VM

內容學習目標前置準備作業取得 Storage accounts 授權資訊掛載 Blob 到 Azure Ubuntu VM 驗證學習目標如何掛載 Storage account Blob 於 Azure Ubuntu VM 前置準備作業已建立 Azure 帳號並能正常登入如何在 Azure Ubuntu VM 掛載 Storage accounts Blob 已建立 Storage account 並已存在檔案在此 Blob 中取得 Storage accounts 授權資訊 Step 1. 取得 Storage account

AIoT & Cloud & Edge & Machine Learning

【 Cloud 】部署 Ghost Blog App 到 Fly.io 雲端平台

內容學習目標前置準備作業專案最終目錄結構部署 Ghost Blog App 到 Fly.io 學習目標如何部署 Ghost Blog App 到 Fly.io 雲端平台前置準備作業已建立 Fly.io 帳號並能正常登入 Fly.io 的網址為 https://fly.io/ 已於電腦端安裝 flyctl https://fly.io/docs/hands-on/install-flyctl/ 專案最終目錄結構 └── ghost-blog-sample └── fly.toml → 執行完 flyctl 指令後會產生部署 Ghost Blog App

AIoT & Cloud & Edge & Machine Learning

【 Cloud 】部署 React App 到 Fly.io 雲端平台

前言因 Heroku 雲端平台將終止部分服務的免費使用額度，故轉移 App 到目前提供免費額度的 Fly.io 雲端平台。內容學習目標前置準備作業專案最終目錄結構編譯 App 撰寫 Dockerfile 檔部署 App 到 Fly.io 學習目標如何部署 React App 到 Fly.io 雲端平台前置準備作業已建立 Fly.io 帳號並能正常登入 Fly.io 的網址為 https://fly.io/ 電腦端存在可正常執行的 React App 已於電腦端安裝 IDE，本範例使用 Visual

AIoT & Cloud & Edge & Machine Learning

【 Cloud 】部署 Vue App 到 Fly.io 雲端平台

前言因 Heroku 雲端平台將終止部分服務的免費使用額度，故轉移 App 到目前提供免費額度的 Fly.io 雲端平台。內容學習目標前置準備作業專案最終目錄結構編譯 App 撰寫 Dockerfile 檔部署 App 到 Fly.io 學習目標如何部署 Vue App 到 Fly.io 雲端平台前置準備作業已建立 Fly.io 帳號並能正常登入 Fly.io 的網址為 https://fly.io/ 電腦端存在可正常執行的 Vue App 已於電腦端安裝 IDE，本範例使用 Visual

AIoT & Cloud & Edge & Machine Learning

【 Cloud 】部署 Node.js Express App 到 Fly.io 雲端平台

前言因 Heroku 雲端平台將終止部分服務的免費使用額度，故轉移 App 到目前提供免費額度的 Fly.io 雲端平台。內容學習目標前置準備作業專案最終目錄結構撰寫程式與設定檔部署 App 到 Fly.io 學習目標如何部署 Node.js Express App 到 Fly.io 雲端平台前置準備作業已建立 Fly.io 帳號並能正常登入 Fly.io 的網址為 https://fly.io/ 已於電腦端安裝 Node.js 已於電腦端安裝 IDE，本範例使用 Visual Studio Code

AIoT & Cloud & Edge & Machine Learning

【 Cloud 】部署 Python Flask App 到 Fly.io 雲端平台

前言因 Heroku 雲端平台將終止部分服務的免費使用額度，故轉移 App 到目前提供免費額度的 Fly.io 雲端平台。內容學習目標前置準備作業專案最終目錄結構撰寫程式與設定檔部署 App 到 Fly.io 學習目標如何部署 Python Flask App 到 Fly.io 雲端平台前置準備作業已建立 Fly.io 帳號並能正常登入 Fly.io 的網址為 https://fly.io/ 已於電腦端安裝 Python 已於電腦端安裝 IDE，本範例使用 Visual Studio Code 已於電腦端安裝 flyctl