《工业大数据分析算法实践》以工业大数据的特点和需求为牵引，阐述了工业大数据分析的算法与实现机制，使具有工科背景读者建立起数据思维，灵活利用数据分析算法进行实际问题的建模，并实现分析项目高效迭代与落地。具体主题覆盖了工业大数据分析工程思维和软件栈，工业数据的数据探索，预处理方法和常用机器学习算法，故障诊断、质量优化、流程优化的分析算法，专家规则驱动方法，以及工业数据分析工程等内容。
《工业大数据分析算法实践》分10章，可划分为四个部分。 部分（第1章）是数据分析概览，目的是建立起数据分析算法的概念框架，并给出学习路线。第2~5章是第二部分，侧重在通用数据分析算法，包括数据预处理、机器学习、时序挖掘算法和*优化等其他算法。第三部分包括第6~8章，讨论了工业分析的算法思路，覆盖了生产质量分析（PQM）、生产效率优化（PEM）等典型分析课题的算法组合套路。第四部分侧重在分析工程方法，第9章讨论了工业专家知识沉淀方法， 0章讨论了数据分析的软件工程。
《工业大数据分析算法实践》适合工业大数据分析从业者、工业企业研发技术人员、工业互联网企业数据分析师阅读，也可作为上述人员的培训教材和相关专业师生的参考书。
目录:
第1章 工业大数据分析概览 1
1.1 工业大数据分析的范畴与特点 1
1.2 数据挖掘的过程方法 8
1.3 数据分析工具软件 12
1.4 工业大数据分析师的算法修养 15
第2章 数据预处理 23
2.1 数据操作基础 23
2.2 数据分析的数据操作技巧 24
2.3 探索型数据分析（EDA）33
2.4 数据质量问题 37
2.5 特征提取 51
2.6 特征选择 56
第3章 机器学习算法 67
3.1 统计分析 67
3.2 统计分布拟合 73
3.3 线性回归模型 82
3.4 多元自适应回归样条（MARS）96
3.5 神经网络 101
3.6 决策树 111
3.7 支持向量机（SVM） 117
3.8 隐马尔可夫模型 124
3.9 概率图模型与贝叶斯方法 129
3.10 集成学习 141
3.11 模型评价 157
3.12 聚类 167
3.13 关联规则 176
3.14 深度学习 183
3.15 机器学习算法的其他视角 196
第4章 时序数据挖掘算法 210
4.1 时序算法简介 210
4.2 信号处理算法 212
4.3 时序分解 234
4.4 时序分割 250
4.5 时序再表征 260
4.6 序列模式挖掘 264
4.7 时序异常检测 269
4.8 时序聚类 276
4.9 时序分类 280
4.10 时序预测 287
第5章 其他算法 293
5.1 最优化算法 293
5.2 规则推理算法 301
5.3 系统辨识算法 303
5.4 特定数据类型的算法 306
第6章 工业分析中的典型处理方法 322
6.1 工业分析中的数据预处理 322
6.2 通用时序特征 325
6.3 典型征兆特征 330
6.4 工业时序分析问题 338
第7章 生产质量数据分析算法 345
7.1 概述 345
7.2 基础算法 347
7.3 时空模式分析 351
7.4 连续流程生产 352
7.5 批次流程生产 356
7.6 离散生产 363
7.7 总结 368
第8章 生产效率优化 370
8.1 决策优化问题的建模思路 370
8.2 线性规划的建模技巧 372
8.3 整数规划的建模技巧 374
8.4 应用示例：电梯养护服务优化 378
8.5 经营预测类问题 386
第9章 行业知识沉淀方法 390
9.1 讨论范畴 390
9.2 知识沉淀方法的维度模型 393
9.3 模型要素维度 393
9.4 设备对象维度 403
9.5 建模方法维度 405
9.6 软件维度 424
9.7 应用示例1：磨煤机堵磨预警 427
9.8 应用示例2：磨煤机暗断煤检测 430
9.9 应用示例3：发电机线棒高温预警 431
9.10 讨论与总结 438
第10章 数据分析软件工程 440
10.1 数据分析项目失败的原因 440
10.2 传统的数据分析模式 441
10.3 生产环境下的机器学习模型 444
10.4 MLOps 447
10.5 分析应用组件 452
10.6 分析报告工具 456
10.7 计算任务管理 460
10.8 总结 461
点击下载