當大數(shù)據(jù)遇見物聯(lián)網(wǎng)：智能決策解決之道

目 錄
第1章 物聯(lián)網(wǎng)和決策科學 1
1.1 了解物聯(lián)網(wǎng) 2
1.2 揭秘M2M、物聯(lián)網(wǎng)、工業(yè)物聯(lián)網(wǎng)和萬物互聯(lián) 3
1.3 深入挖掘物聯(lián)網(wǎng)的邏輯堆棧 5
1.3.1 人 6
1.3.2 流程 7
1.3.3 物 8
1.3.4 數(shù)據(jù) 9
1.4 問題的生命周期 9
1.5 問題的全貌 12
1.6 解決問題的技術 17
1.6.1 跨學科方法 18
1.6.2 問題的體系 18
1.7 問題解決框架 20
1.8 小結 23
第2章 物聯(lián)網(wǎng)問題體系研究和用例設計 25
2.1 資產(chǎn)互聯(lián)和運營互聯(lián) 25
2.1.1 物與智能之物的互聯(lián) 26
2.1.2 一個現(xiàn)實生活的場景：資產(chǎn)互聯(lián) 28
2.1.3 運營互聯(lián)—下一場革命 30
2.2 解析商業(yè)用例 32
2.2.1 解析問題 33
2.2.2 研究和收集背景信息 34
2.2.3 根據(jù)數(shù)據(jù)可用性對假設優(yōu)先排序和構建 38
2.2.4 驗證和改進假設（重復步驟（2）和（3）） 39
2.2.5 吸收結果并呈現(xiàn)解決方案 40
2.3 感知相關的潛在問題 41
2.4 設計啟發(fā)法驅(qū)動的假設矩陣 41
2.5 小結 42
第3章 探索性決策科學在物聯(lián)網(wǎng)中的應用內(nèi)容和原因 45
3.1 識別有用數(shù)據(jù)做出決策 45
3.1.1 查驗假設的數(shù)據(jù)來源 46
3.1.2 解決問題時的數(shù)據(jù)探查工作 47
3.1.3 特征探索 57
3.1.4 了解數(shù)據(jù)全貌 58
3.2 通過數(shù)據(jù)（單變量）探索物聯(lián)網(wǎng)生態(tài)系統(tǒng)各個維度 61
3.2.1 數(shù)據(jù)顯示了什么 61
3.2.2 探索先前產(chǎn)品…… 66
3.2.3 本節(jié)小結 72
3.3 研究數(shù)據(jù)關系 72
3.3.1 相關性是什么 73
3.3.2 探索階段1的數(shù)據(jù)維度 78
3.4 探索性數(shù)據(jù)分析 84
3.4.1 那么，應該如何驗證發(fā)現(xiàn) 85
3.4.2 假設檢驗是如何起作用的 85
3.4.3 驗證假設—類別1 87
3.4.4 卡方檢驗的原理是什么 87
3.4.5 驗證假設—類別2 91
3.4.6 驗證假設—類別3 96
3.4.7 假設—類別4 100
3.4.8 探索性數(shù)據(jù)分析階段小結 102
3.5 根本原因分析 102
3.5.1 綜合結果 103
3.5.2 可視化洞見 105
3.5.3 將故事拼接形成完整的解決方案 106
3.5.4 結論 107
3.6 小結 108
第4章 預測性分析在物聯(lián)網(wǎng)中的應用 109
4.1 重新探查問題—接下來是什么 109
4.2 線性回歸—預測連續(xù)結果 111
4.2.1 預測性分析拉開序幕 111
4.2.2 解決預測問題 111
4.2.3 解釋回歸結果 115
4.2.4 殘差、多元R平方、殘差標準誤差和修正后的R平方 118
4.2.5 改進預測模型 119
4.3 決策樹 127
4.3.1 了解決策樹 128
4.3.2 用決策樹進行預測建模 133
4.4 Logistic回歸—預測一個分類結果 142
4.4.1 什么是Logistic回歸 143
4.4.2 Logistic回歸是如何工作的 144
4.4.3 扼要概述模型的解釋 154
4.4.4 改進分類模型 154
4.5 小結 167
第5章 利用機器學習增強物聯(lián)網(wǎng)預測性分析 169
5.1 機器學習簡介 169
5.1.1 什么是集成建模 170
5.1.2 為什么要選擇集成模型 170
5.1.3 一個集成模型究竟是如何工作的 171
5.2 集成建?！S機森林 174
5.2.1 什么是隨機森林 174
5.2.2 如何在R語言中構建隨機森林 176
5.3 集成建模—XGBoost 186
5.4 神經(jīng)網(wǎng)絡與深度學習 193
5.5 匯總結果 208
5.5.1 快速回顧 208
5.5.2 從預測建模練習取得的結果 209
5.5.3 需要注意的幾點 209
5.6 小結 209
第6章 決策科學結合物聯(lián)網(wǎng)的分析速成 211
6.1 搭建問題的背景信息 211
6.1.1 真正的問題 212
6.1.2 接下來做什么 212
6.2 解析問題并設計方法 213
6.2.1 構建一個SCQ（即情景-沖突-疑問）方案 213
6.2.2 研究 213
6.2.3 太陽能領域的背景信息 215
6.2.4 設計方法 216
6.2.5 研究數(shù)據(jù)全貌 217
6.3 探索性數(shù)據(jù)分析與特征工程 218
6.3.1 能量消耗和能量產(chǎn)生相比結果如何 224
6.3.2 電池 228
6.3.3 負載 230
6.3.4 逆變器 232
6.3.5 從數(shù)據(jù)探索練習中學習 233
6.3.6 簡單概括所有的發(fā)現(xiàn)和學習收獲 233
6.3.7 解決問題 234
6.3.8 特征工程 235
6.4 構建用例的預測模型 242
6.5 匯總解決方案 249
6.6 小結 249
第7章 規(guī)范性科學與決策 251
7.1 應用一種分層方法和各種測試控制方法戰(zhàn)勝業(yè)務問題 251
7.1.1 規(guī)范性分析的定義 251
7.1.2 解決一個規(guī)范性分析用例 253
7.1.3 用規(guī)范性的方式去解決用例 261
7.2 連接問題體系中的各個點 264
7.3 撰寫故事—了解問題體系中相互關聯(lián)的問題 267
7.3.1 第一步—即時措施 268
7.3.2 第二步—未來措施 268
7.4 實施解決方案 270
7.5 小結 270
第8章 物聯(lián)網(wǎng)顛覆性創(chuàng)新 273
8.1 邊緣計算/霧計算（Edge computing/Fog computing） 273
8.2 認知計算—非結構化數(shù)據(jù)的顛覆性智能 278
8.2.1 認知計算是如何工作的 279
8.2.2 認知計算應用在哪些場景中 281
8.2.3 故事場景 281
8.2.4 最重要的問題是，所有這些是如何發(fā)生的 282
8.3 下一代機器人和基因組學 283
8.3.1 機器人—與物聯(lián)網(wǎng)、機器學習、邊緣計算和認知計算共享光明
未來 283
8.3.2 基因組學 285
8.3.3 基因組學與物聯(lián)網(wǎng)的關系 286
8.4 自動駕駛汽車 287
8.4.1 愿景和靈感 287
8.4.2 自動駕駛汽車的工作原理 287
8.4.3 是否遺漏了什么 289
8.4.4 車輛對環(huán)境 289
8.4.5 車輛對車輛 289
8.4.6 車輛對基礎設施 290
8.4.7 自動駕駛汽車的未來 290
8.5 物聯(lián)網(wǎng)的隱私和安全 291
8.5.1 漏洞 291
8.5.2 完整性 291
8.5.3 隱私 292
8.5.4 軟件基礎設施 292
8.5.5 硬件基礎設施 292
8.5.6 協(xié)議基礎結構 293
8.6 小結 293
第9章 物聯(lián)網(wǎng)的光明前景 295
9.1 物聯(lián)網(wǎng)商業(yè)模式—資產(chǎn)或設備即服務 295
9.1.1 動機 296
9.1.2 資產(chǎn)即服務模式的現(xiàn)實生活用例 297
9.1.3 這個商業(yè)模式如何幫助企業(yè) 298
9.1.4 利用決策科學增強資產(chǎn)即服務模式 300
9.2 智能手表—醫(yī)療保健物聯(lián)網(wǎng)的助推器 300
9.2.1 決策科學在醫(yī)療保健數(shù)據(jù)中的應用 302
9.2.2 結語 303
9.3 智能醫(yī)療保健—人類互聯(lián)到智能人類 303
9.4 從汽車互聯(lián)向智能汽車演變 305
9.4.1 智能加油助手 306
9.4.2 預測性保養(yǎng) 306
9.4.3 自主運輸 306
9.4.4 結束語 307
9.5 小結 307