为你推荐
内容简介
前言
第1章 绪 论
1.1 人工智能的内涵及发展
1.2 工业人工智能的内涵及发展
1.2.1 工业人工智能的发展背景
1.2.2 工业人工智能的发展历程
1.2.3 工业人工智能与传统人工智能的区别
1.3 工业人工智能的算法功能和典型应用
1.4 工业人工智能的知识体系
1.5 工业人工智能的关键技术
第2章 数据分析与数据挖掘工具
2.1 工业大数据的特点
2.2 工业大数据挖掘的定义及过程
2.3 工业数据的特征分析
2.3.1 工业数据的统计描述
2.3.2 工业数据的相关性分析
2.4 工业数据的预处理
2.4.1 异常值处理
2.4.2 缺失值处理
2.4.3 数据归一化处理
2.4.4 不等时距数据处理
2.4.5 离群点检测
2.4.6 不平衡数据集检测
2.4.7 数据降维处理
2.5 假设检验
2.5.1 假设检验的基本原理
2.5.2 假设检验的一般步骤
2.5.3 假设检验的种类
2.6 多变量分析模型
2.6.1 线性模型
2.6.2 广义线性模型
2.6.3 线性混合效应模型
2.7 最大似然估计
2.8 关联分析
2.8.1 关联规则挖掘
2.8.2 关联规则算法
2.8.3 时序关联规则算法
2.8.4 一维时序关联规则
2.8.5 多维时序关联规则
2.9 数据分析系统的体系架构
第3章 机器学习
3.1 人类的思考过程与机器学习的过程
3.2 机器学习的知识体系
3.3 Python语言的优势
3.4 工业人工智能的有监督学习算法
3.4.1 决策树算法
3.4.2 回归算法
3.4.3 支持向量机算法
3.5 工业人工智能的无监督学习算法
3.5.1 聚类算法
3.5.2 自动编码器
3.6 机器学习的主要挑战及应对方法
3.6.1 机器学习的主要挑战
3.6.2 应对挑战的主要方法
第4章 深度学习
4.1 深度学习的核心
4.2 深度学习的常用网络：卷积神经网络
4.2.1 卷积神经网络的结构
4.2.2 卷积神经网络的关键技术
4.2.3 卷积神经网络的训练
4.3 深度学习的常用网络：循环神经网络
4.3.1 循环神经网络的结构
4.3.2 循环神经网络的优化
4.4 深度学习的常用网络：受限玻尔兹曼机
4.4.1 受限玻尔兹曼机的分类
4.4.2 受限玻尔兹曼机的训练
4.5 深度学习的常用网络：深度置信网络
4.5.1 深度置信网络的构建
4.5.2 深度置信网络的训练
4.6 深度学习的常用框架
4.6.1 Theano
4.6.2 TensorFlow
4.6.3 Keras
4.6.4 Caffe/Caffe2
4.6.5 MXNet
4.6.6 CNTK
第5章 工业人工智能面临的挑战
5.1 工业人工智能带来的变革
5.2 工业人工智能面临的挑战
参考文献
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
6.8
