所谓“工业大数据分析”，其实就是在工业生产过程、工业设备、流水线等一系列复杂系统中，通过通过分析现象去看本质的过程。比如设备出了问题，像是风电涡轮不转了，流水线卡住了，机器堵了，生产的产品突然出现了好多残次品，曾经的工程师都是凭经验，或者观察，通过现象去看本质。而现在，因为现代化的工厂或者工业设备的每一个环节都有各种电子数据的记录，而数据分析师则可以通过这些数据的统计，通过合适的算法和模式，去通过计算机发现这些设备出现的故障和问题。这就是数字化时代的故障分析技术——数据挺多，但是怎么用才对，这是一个数据分析师个人技术实力的体现。现在太多的数据分析师，只停留在“看”数据，而不是“分析”数据的水平上——知道从哪手去分析，比分析计算本身更重要。而这本书就是教你“从哪始分析，怎么站在机器的角度去分析机器的数据”。作者是工业大数据分析领域的首席科学家，20多年一直从事数据分析，很多大型机器设备的疑难杂症在他手里迎刃而解，作者语言简练，字字珠玑，对每个算法都给出了自己*直白的解释，这些干货却积攒了70万字！ 从事工业领域的技术人员，都应该读一读田博士的这本著作。
售 价：¥
纸质售价：¥110.60购买纸书
6.7
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
前折页
大数据与“智能+”产教融合丛书编辑委员会
丛书序一
丛书序二
前言
第1章 工业大数据分析概览
1.1 工业大数据分析的范畴与特点
1.2 数据挖掘的过程方法
1.3 数据分析工具软件
1.4 工业大数据分析师的算法修养
参考文献
第2章 数据预处理
2.1 数据操作基础
2.2 数据分析的数据操作技巧
2.3 探索型数据分析（EDA）
2.4 数据质量问题
2.5 特征提取
2.6 特征选择
参考文献
第3章 机器学习算法
3.1 统计分析
3.2 统计分布拟合
3.3 线性回归模型
3.4 多元自适应回归样条（MARS）
3.5 神经网络
3.6 决策树
3.7 支持向量机（SVM）
3.8 隐马尔可夫模型
3.9 概率图模型与贝叶斯方法
3.10 集成学习
3.11 模型评价
3.12 聚类
3.13 关联规则
3.14 深度学习
3.15 机器学习算法的其他视角
参考文献
第4章 时序数据挖掘算法
4.1 时序算法简介
4.2 信号处理算法
4.3 时序分解
4.4 时序分割
4.5 时序再表征
4.6 序列模式挖掘
4.7 时序异常检测
4.8 时序聚类
4.9 时序分类
4.10 时序预测
参考文献
第5章 其他算法
5.1 最优化算法
5.2 规则推理算法
5.3 系统辨识算法
5.4 特定数据类型的算法
参考文献
第6章 工业分析中的典型处理方法
6.1 工业分析中的数据预处理
6.2 通用时序特征
6.3 典型征兆特征
6.4 工业时序分析问题
参考文献
第7章 生产质量数据分析算法
7.1 概述
7.2 基础算法
7.3 时空模式分析
7.4 连续流程生产
7.5 批次流程生产
7.6 离散生产
7.7 总结
参考文献
第8章 生产效率优化
8.1 决策优化问题的建模思路
8.2 线性规划的建模技巧
8.3 整数规划的建模技巧
8.4 应用示例：电梯养护服务优化
8.5 经营预测类问题
参考文献
第9章 行业知识沉淀方法
9.1 讨论范畴
9.2 知识沉淀方法的维度模型
9.3 模型要素维度
9.4 设备对象维度
9.5 建模方法维度
9.6 软件维度
9.7 应用示例1：磨煤机堵磨预警
9.8 应用示例2：磨煤机暗断煤检测
9.9 应用示例3：发电机线棒高温预警
9.10 讨论与总结
参考文献
第10章 数据分析软件工程
10.1 数据分析项目失败的原因
10.2 传统的数据分析模式
10.3 生产环境下的机器学习模型
10.4 MLOps
10.5 分析应用组件
10.6 分析报告工具
10.7 计算任务管理
10.8 总结
参考文献
后折页
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
