工業大數據分析算法實戰

《工業大數據分析算法實踐》以工業大數據的特點和需求為牽引，闡述了工業大數據分析的算法與實現機制，
使具有工科背景讀者建立起數據思維，靈活利用數據分析算法進行實際問題的建模，並實現分析項目高效迭代與落地。
具體主題覆蓋了工業大數據分析工程思維和軟件棧，工業數據的數據探索，預處理方法和常用機器學習算法，
故障診斷、質量優化、流程優化的分析算法，專家規則驅動方法，以及工業數據分析工程等內容。

《工業大數據分析算法實踐》分10章，可劃分為四個部分。
第一部分（第1章）是數據分析概覽，目的是建立起數據分析算法的概念框架，並給出學習路線。
第2~5章是第二部分，側重在通用數據分析算法，包括數據預處理、機器學習、時序挖掘算法和*優化等其他算法。
第三部分包括第6~8章，討論了工業分析的算法思路，
覆蓋了生產質量分析（PQM）、生產效率優化（PEM）等典型分析課題的算法組合套路。
第四部分側重在分析工程方法，第9章討論了工業專家知識沉澱方法，第10章討論了數據分析的軟件工程。

《工業大數據分析算法實踐》適合工業大數據分析從業者、
工業企業研發技術人員、工業互聯網企業數據分析師閱讀，也可作為上述人員的培訓教材和相關專業師生的參考書。

目錄
叢書序一
叢書序二
前言
第1章工業大數據分析概覽
1.1工業大數據分析的範疇與特點
1.1.1數據分析的範疇
1.1.2典型分析主題
1.1.3工業數據分析的特點
1.1.4數據分析的典型手段
1.2數據挖掘的過程方法
1.2.1CRISP-DM簡介
1.2.2分析課題的執行路徑
1.3數據分析工具軟件
1.3.1腳本語言軟件
1.3.2圖形化桌面軟件
1.3.3雲端分析軟件
1.4工業大數據分析師的算法修養
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分析算法背後的樸素思想
1.4.4工程化思維
參考文獻
第2章數據預處理
2.1數據操作基礎
2.1.1數據框的基本操作
2.1.2數據可視化
2.2數據分析的數據操作技巧
2.2.1cumsum等primitive函數的利用：避免循環
2.2.2帶時間戳的數據框合併
2.2.3時序數據可視化：多個子圖共用一個x軸
2.2.4時序數據可視化：NA用來間隔顯示時序
2.2.5參數區間的對比顯示（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
2.3探索型數據分析（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
2.4數據質量問題
2.4.1數據的業務化
2.4.2業務的數據化
2.4.3機理演繹法
2.4.4細緻求實的基本素養
2.4.5小結
2.5特徵提取
2.5.1基於數據類型的特徵提取
2.5.2基於關聯關係的特徵自動生成
2.5.3基於語法樹的□量間組合特徵生成
2.6特徵選擇
2.6.1特徵選擇的框架
2.6.2搜索策略
2.6.3子集評價
2.6.4小結
參考文獻
第3章機器學習算法
3.1統計分析
3.1.1概率分佈
3.1.2參數估計
3.1.3假設檢驗
3.2統計分佈擬合
3.2.1引言
3.2.2基於核函數的非參數方法
3.2.3單概率分佈的參數化擬合
3.2.4混合概率分佈估計
3.2.5小結
3.3線性回歸模型
3.3.1引言
3.3.2基礎線性回歸模型——OLS模型
3.3.3OLS模型檢驗
3.3.4魯棒線性回歸
3.3.5結構複雜度懲罰（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後剪枝過程
3.4.4□量重要性評價
3.4.5MARS與其他算法的關係
3.5神經網絡
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特徵重要度
3.12聚類
3.12.1引言
3.12.2基於距離的聚類:K-means、PAM
3.12.3基於層次的聚類：Hclust
3.12.4基於密度的聚類：DBSCAN
3.12.5基於分佈的聚類：GMM
3.12.6聚類結果的評價
3.13關聯規則
3.13.1引言
3.13.2關聯規則概念與度量指標
3.13.3關聯規則實現過程
3.13.4關聯規則算法
3.13.5關聯規則可視化
3.13.6關聯規則評價
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並行化計算
3.15.3新計算範式
參考文獻
第4章時序數據挖掘算法
4.1時序算法簡介
4.2信號處理算法
4.2.1傅里葉□換的直觀理解
4.2.2時頻分析
4.2.3時序□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
4.4.3Auto□□□it
4.4.4應用示例
4.5時序再表徵
4.6序列模式挖掘
4.6.1數值型頻繁模式
4.6.2符號型頻繁模式
4.7時序異常檢測
4.7.1基於度量的方法
4.7.2基於模型重構的方法
4.7.3基於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基於時序分解的預測算法
4.10.2基於回歸建模的預測算法
參考文獻
第5章其他算法
5.1優化算法
5.1.1模型分類
5.1.2經典組合優化模型
5.1.3典型工具
5.2規則推理算法
5.3系統辨識算法
5.3.1算法分類
5.3.2典型工具
5.4特定數據類型的算法
5.4.1文本數據
5.4.2圖像數據
5.4.3時空數據
參考文獻
第6章工業分析中的典型處理方法
6.1工業分析中的數據預處理
6.1.1工況劃分
6.1.2數據缺失
6.1.3時間數據不連續
6.1.4強噪聲
6.1.5大慣性系統
6.1.6趨勢項的消除
6.2通用時序特徵
6.3典型徵兆特徵
6.3.1毛刺檢測特徵
6.3.2單調趨勢模式
6.3.3平穩過程的漂移檢測
6.3.4多點位不一致
6.3.5超界
6.3.6□點檢測
6.3.7一維曲線平滑與分區
6.3.8二維形狀分析
6.3.9持續某種狀態
6.4工業時序分析問題
6.4.1工業時序數據的特點
6.4.2短時序分類問題
6.4.3長時序分類問題
6.4.4不同類型問題的轉換
參考文獻
第7章生產質量數據分析算法
7.1概述
7.2基礎算法
7.2.1物料跟踪模型
7.2.2過程穩定性監控
7.3時空模式分析
7.4連續流程生產
7.4.1應用示例
7.4.2工況劃分
7.4.3操作參數優化
7.4.4其他分析
7.5批次流程生產
7.5.1應用示例
7.5.2理想工藝過程擬合
7.5.3動態控制優化
7.6離散生產
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操作參數優化
7.7總結
參考文獻
第8章生產效率優化
8.1決策優化問題的建模思路
8.2線性規劃的建模技巧
8.2.1絕對值
8.2.2Min-Max問題
8.2.3分式目標函數
8.2.4範圍約束
8.3整數規劃的建模技巧
8.3.1決策□量值域不連續
8.3.2目標函數不連續
8.3.3或關係約束
8.3.4條件型約束
8.3.5邏輯表達式
8.3.6消除□量相乘
8.3.7大M法
8.4應用示例：電梯養護服務優化
8.4.1業務問題描述
8.4.2問題一：路線優化
8.4.3問題二：排班計劃
8.4.4思考與小結
8.5經營預測類問題
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宏觀環境□化的處理方法
參考文獻
第9章行業知識沉澱方法
9.1討論範疇
9.1.1知識類型
9.1.2技術方法
9.1.3業務領域
9.1.4方□□的作用
9.1.5現有的知識沉澱方□□
9.2知識沉澱方法的維度模型
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：“特徵量-徵兆量-研判規則”的範式
9.3.4健康評估：“劣化度-健康度-綜合評價”的範式
9.3.5故障類型研判：“特徵量-證據/現象-推理邏輯”的範式
9.3.6故障處置效果監控：“症狀-異常類型/嚴重等級-處置措施-狀態”的範式
9.3.7故障預測：4種思路
9.3.8性能優化：無固定範式
9.4設備對象維度
9.5建模方法維度
9.5.1專家規則驅動的方法:AI-FIT-PM過程模型
9.5.2少量樣本驅動的方法
9.5.3數據驅動的方法
9.5.4不同方法間的轉化
9.6軟件維度
9.6.1領域建模
9.6.2模型研發環境
9.6.3模型部署運行環境
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：發電機線棒高溫預警
9.9.1案例背景
9.9.2系統動力學模型
9.9.3異常預警規則模型
9.9.4故障排查邏輯
9.10討論與總結
參考文獻
第10章數據分析軟件工程
10.1數據分析項目失敗的原因
10.2傳統的數據分析模式
10.3生產環境下的機器學習模型
10.3.1應用範式
10.3.2模型格式
10.4MLOps
10.4.1MLOps的內容
10.4.2MLOps與其他Ops的關係
10.4.3MLOps的支撐軟件
10.4.4工業數據分析MLOps的特點
10.4.5MLOps的適用範圍
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基於Markdown的報告工具
10.6.3基於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計算並行化
10.8總結
參考文獻