工業(yè)大數(shù)據(jù)分析算法實戰(zhàn)

目錄
叢書序一
叢書序二
前言
第1章工業(yè)大數(shù)據(jù)分析概覽
1.1工業(yè)大數(shù)據(jù)分析的范疇與特點
1.1.1數(shù)據(jù)分析的范疇
1.1.2典型分析主題
1.1.3工業(yè)數(shù)據(jù)分析的特點
1.1.4數(shù)據(jù)分析的典型手段
1.2數(shù)據(jù)挖掘的過程方法
1.2.1CRISP-DM簡介
1.2.2分析課題的執(zhí)行路徑
1.3數(shù)據(jù)分析工具軟件
1.3.1腳本語言軟件
1.3.2圖形化桌面軟件
1.3.3云端分析軟件
1.4工業(yè)大數(shù)據(jù)分析師的算法修養(yǎng)
1.4.1分析算法理解的維度與路徑
1.4.2必讀圖書
1.4.3分析算法背后的樸素思想
1.4.4工程化思維
參考文獻
第2章數(shù)據(jù)預處理
2.1數(shù)據(jù)操作基礎(chǔ)
2.1.1數(shù)據(jù)框的基本操作
2.1.2數(shù)據(jù)可視化
2.2數(shù)據(jù)分析的數(shù)據(jù)操作技巧
2.2.1cumsum等primitive函數(shù)的利用：避免循環(huán)
2.2.2帶時間戳的數(shù)據(jù)框合并
2.2.3時序數(shù)據(jù)可視化：多個子圖共用一個x軸
2.2.4時序數(shù)據(jù)可視化：NA用來間隔顯示時序
2.2.5參數(shù)區(qū)間的對比顯示（在概率密度圖上）
2.2.6獲取R文件的所在路徑
2.2.7分段線性回歸如何通過lm（）實現(xiàn)
2.3探索型數(shù)據(jù)分析（EDA)
2.3.1引言
2.3.2R語言EDA包
2.3.3其他工具包
2.3.4小結(jié)
2.4數(shù)據(jù)質(zhì)量問題
2.4.1數(shù)據(jù)的業(yè)務化
2.4.2業(yè)務的數(shù)據(jù)化
2.4.3機理演繹法
2.4.4細致求實的基本素養(yǎng)
2.4.5小結(jié)
2.5特征提取
2.5.1基于數(shù)據(jù)類型的特征提取
2.5.2基于關(guān)聯(lián)關(guān)系的特征自動生成
2.5.3基于語法樹的變量間組合特征生成
2.6特征選擇
2.6.1特征選擇的框架
2.6.2搜索策略
2.6.3子集評價
2.6.4小結(jié)
參考文獻
第3章機器學習算法
3.1統(tǒng)計分析
3.1.1概率分布
3.1.2參數(shù)估計
3.1.3假設(shè)檢驗
3.2統(tǒng)計分布擬合
3.2.1引言
3.2.2基于核函數(shù)的非參數(shù)方法
3.2.3單概率分布的參數(shù)化擬合
3.2.4混合概率分布估計
3.2.5小結(jié)
3.3線性回歸模型
3.3.1引言
3.3.2基礎(chǔ)線性回歸模型——OLS模型
3.3.3OLS模型檢驗
3.3.4魯棒線性回歸
3.3.5結(jié)構(gòu)復雜度懲罰（正則化）
3.3.6擴展
3.4多元自適應回歸樣條（MARS）
3.4.1引言
3.4.2前向計算過程
3.4.3后剪枝過程
3.4.4變量重要性評價
3.4.5MARS與其他算法的關(guān)系
3.5神經(jīng)網(wǎng)絡
3.5.1ANN逼近能力的直觀理解
3.5.2極限學習機
3.6決策樹
3.6.1決策樹的概念
3.6.2決策樹構(gòu)建過程
3.6.3常用決策樹算法
3.7支持向量機（SVM）
3.7.1引言
3.7.2epsilon-SVR算法
3.7.3nu-SVR算法
3.7.4不同SVM算法包的差異
3.7.5擴展
3.8隱馬爾可夫模型
3.8.1引言
3.8.2工作原理
3.8.3示例
3.8.4討論
3.9概率圖模型與貝葉斯方法
3.9.1引言
3.9.2樸素貝葉斯
3.9.3貝葉斯網(wǎng)絡
3.9.4一般圖模型
3.9.5討論與擴展閱讀
3.10集成學習
3.10.1引言
3.10.2Bagging方法
3.10.3Boosting方法
3.10.4Stacking方法
3.11模型評價
3.11.1引言
3.11.2評價指標
3.11.3評價方法
3.11.4特征重要度
3.12聚類
3.12.1引言
3.12.2基于距離的聚類:K-means、PAM
3.12.3基于層次的聚類：Hclust
3.12.4基于密度的聚類：DBSCAN
3.12.5基于分布的聚類：GMM
3.12.6聚類結(jié)果的評價
3.13關(guān)聯(lián)規(guī)則
3.13.1引言
3.13.2關(guān)聯(lián)規(guī)則概念與度量指標
3.13.3關(guān)聯(lián)規(guī)則實現(xiàn)過程
3.13.4關(guān)聯(lián)規(guī)則算法
3.13.5關(guān)聯(lián)規(guī)則可視化
3.13.6關(guān)聯(lián)規(guī)則評價
3.14深度學習
3.14.1引言
3.14.2深度學習算法分類
3.14.3深度學習框架
3.14.4常見疑惑
3.14.5深度學習算法的加速
3.15機器學習算法的其他視角
3.15.1計算負載模式
3.15.2并行化計算
3.15.3新計算范式
參考文獻
第4章時序數(shù)據(jù)挖掘算法
4.1時序算法簡介
4.2信號處理算法
4.2.1傅里葉變換的直觀理解
4.2.2時頻分析
4.2.3時序變換
4.2.4壓縮感知
4.3時序分解
4.3.1STL
4.3.2奇異譜分析
4.3.3EMD及擴展方法
4.4時序分割
4.4.1Changepoint
4.4.2TreeSplit
4.4.3Autoplait
4.4.4應用示例
4.5時序再表征
4.6序列模式挖掘
4.6.1數(shù)值型頻繁模式
4.6.2符號型頻繁模式
4.7時序異常檢測
4.7.1基于度量的方法
4.7.2基于模型重構(gòu)的方法
4.7.3基于頻繁模式挖掘的方法
4.8時序聚類
4.8.1DTW距離
4.8.2SAX距離
4.9時序分類
4.9.1經(jīng)典分析算法
4.9.2深度學習的方法
4.10時序預測
4.10.1基于時序分解的預測算法
4.10.2基于回歸建模的預測算法
參考文獻
第5章其他算法
5.1優(yōu)化算法
5.1.1模型分類
5.1.2經(jīng)典組合優(yōu)化模型
5.1.3典型工具
5.2規(guī)則推理算法
5.3系統(tǒng)辨識算法
5.3.1算法分類
5.3.2典型工具
5.4特定數(shù)據(jù)類型的算法
5.4.1文本數(shù)據(jù)
5.4.2圖像數(shù)據(jù)
5.4.3時空數(shù)據(jù)
參考文獻
第6章工業(yè)分析中的典型處理方法
6.1工業(yè)分析中的數(shù)據(jù)預處理
6.1.1工況劃分
6.1.2數(shù)據(jù)缺失
6.1.3時間數(shù)據(jù)不連續(xù)
6.1.4強噪聲
6.1.5大慣性系統(tǒng)
6.1.6趨勢項的消除
6.2通用時序特征
6.3典型征兆特征
6.3.1毛刺檢測特征
6.3.2單調(diào)趨勢模式
6.3.3平穩(wěn)過程的漂移檢測
6.3.4多點位不一致
6.3.5超界
6.3.6變點檢測
6.3.7一維曲線平滑與分區(qū)
6.3.8二維形狀分析
6.3.9持續(xù)某種狀態(tài)
6.4工業(yè)時序分析問題
6.4.1工業(yè)時序數(shù)據(jù)的特點
6.4.2短時序分類問題
6.4.3長時序分類問題
6.4.4不同類型問題的轉(zhuǎn)換
參考文獻
第7章生產(chǎn)質(zhì)量數(shù)據(jù)分析算法
7.1概述
7.2基礎(chǔ)算法
7.2.1物料跟蹤模型
7.2.2過程穩(wěn)定性監(jiān)控
7.3時空模式分析
7.4連續(xù)流程生產(chǎn)
7.4.1應用示例
7.4.2工況劃分
7.4.3操作參數(shù)優(yōu)化
7.4.4其他分析
7.5批次流程生產(chǎn)
7.5.1應用示例
7.5.2理想工藝過程擬合
7.5.3動態(tài)控制優(yōu)化
7.6離散生產(chǎn)
7.6.1應用示例
7.6.2佳工藝路徑挖掘
7.6.3異常排查
7.6.4操作參數(shù)優(yōu)化
7.7總結(jié)
參考文獻
第8章生產(chǎn)效率優(yōu)化
8.1決策優(yōu)化問題的建模思路
8.2線性規(guī)劃的建模技巧
8.2.1絕對值
8.2.2Min-Max問題
8.2.3分式目標函數(shù)
8.2.4范圍約束
8.3整數(shù)規(guī)劃的建模技巧
8.3.1決策變量值域不連續(xù)
8.3.2目標函數(shù)不連續(xù)
8.3.3或關(guān)系約束
8.3.4條件型約束
8.3.5邏輯表達式
8.3.6消除變量相乘
8.3.7大M法
8.4應用示例：電梯養(yǎng)護服務優(yōu)化
8.4.1業(yè)務問題描述
8.4.2問題一：路線優(yōu)化
8.4.3問題二：排班計劃
8.4.4思考與小結(jié)
8.5經(jīng)營預測類問題
8.5.1預測量的要素分解方法
8.5.2例外場景的處理
8.5.3宏觀環(huán)境變化的處理方法
參考文獻
第9章行業(yè)知識沉淀方法
9.1討論范疇
9.1.1知識類型
9.1.2技術(shù)方法
9.1.3業(yè)務領(lǐng)域
9.1.4方法論的作用
9.1.5現(xiàn)有的知識沉淀方法論
9.2知識沉淀方法的維度模型
9.3模型要素維度
9.3.1共性要素
9.3.2傳感器異常報警
9.3.3異常預警：“特征量-征兆量-研判規(guī)則”的范式
9.3.4健康評估：“劣化度-健康度-綜合評價”的范式
9.3.5故障類型研判：“特征量-證據(jù)/現(xiàn)象-推理邏輯”的范式
9.3.6故障處置效果監(jiān)控：“癥狀-異常類型/嚴重等級-處置措施-狀態(tài)”的范式
9.3.7故障預測：4種思路
9.3.8性能優(yōu)化：無固定范式
9.4設(shè)備對象維度
9.5建模方法維度
9.5.1專家規(guī)則驅(qū)動的方法:AI-FIT-PM過程模型
9.5.2少量樣本驅(qū)動的方法
9.5.3數(shù)據(jù)驅(qū)動的方法
9.5.4不同方法間的轉(zhuǎn)化
9.6軟件維度
9.6.1領(lǐng)域建模
9.6.2模型研發(fā)環(huán)境
9.6.3模型部署運行環(huán)境
9.7應用示例1：磨煤機堵磨預警
9.8應用示例2：磨煤機暗斷煤檢測
9.9應用示例3：發(fā)電機線棒高溫預警
9.9.1案例背景
9.9.2系統(tǒng)動力學模型
9.9.3異常預警規(guī)則模型
9.9.4故障排查邏輯
9.10討論與總結(jié)
參考文獻
第10章數(shù)據(jù)分析軟件工程
10.1數(shù)據(jù)分析項目失敗的原因
10.2傳統(tǒng)的數(shù)據(jù)分析模式
10.3生產(chǎn)環(huán)境下的機器學習模型
10.3.1應用范式
10.3.2模型格式
10.4MLOps
10.4.1MLOps的內(nèi)容
10.4.2MLOps與其他Ops的關(guān)系
10.4.3MLOps的支撐軟件
10.4.4工業(yè)數(shù)據(jù)分析MLOps的特點
10.4.5MLOps的適用范圍
10.5分析應用組件
10.5.1分析服務引擎
10.5.2Web應用引擎
10.6分析報告工具
10.6.1交互式報告工具
10.6.2基于Markdown的報告工具
10.6.3基于Office API的報告工具
10.7計算任務管理
10.7.1任務管理
10.7.2計算并行化
10.8總結(jié)
參考文獻