內容簡介
本書是一本集基礎知識、實際工業案例、編程代碼(PYTHON)於一體的通俗實用的讀本,用於幫助鋼鐵企業和其他行業中的材料、工藝、設備、能源、質量和制造等專業的工程師快速學習和了解數字智能化基礎知識。本書內容包括數理統計基礎、數據分析與建模、計算機簡單編程、數學優化、數字仿真等多門基礎學科以及人工智能、機器學習等專業知識,大部分章節配有普適性的實例,還在附錄中配置了十多個作者所在團隊的數據建模、智能控制、智能優化的實例,並給出計算的簡易源代碼以便年輕工程師快速上手。
目錄
1 數理統計基礎 1.1 數據描述方法 1.1.1 直方圖和箱線圖 1.1.□ 散點圖 1.□ 概率論基礎 1.□.1 隨機□量的概率計算 1.□.□ 概率分布 1.□.3 正態分布 □ 數據分析與建模 □.線性回歸 □.1.線性回歸模型 □.1.線性回歸的 小二乘法 □.1.線性回歸方程的檢驗 □.1.4 數據異常點對建模的影響 □.線性回歸 □.□.線性回歸模型 □.□.線性回歸的 小二乘法 □.□.3 概率視角: 似然估計法 □.□.線性回歸方程的檢驗 □.□.5 含虛擬□量的回歸方法 □.3 非線性回歸 □.3.1 多項式回歸 □.3.□ 函數□換回歸 □.3.3 分段線性化回歸 □.3.4 直接非線性回歸 □.4 時間序列分析 □.4.1 AR模型 □.4.□ MA模型 □.4.3 指數平滑模型 □.5 優化建模基礎 □.5.1 線性規劃模型 □.5.□ 整數規劃模型 □.5.3 □□論基礎 3 人工智能基礎 3.1 人工智能簡介 3.□ 機器學習算法 3.□.1 K均值算法 3.□.□ k近鄰算法 3.□.3 決策樹算法 3.□.4 支持向量機 3.3 神經網絡分析與建模 3.3.1 感知器與多層感知器 3.3.□ BP神經網絡 3.3.3 深度學習概覽 3.3.4 神經網絡的過擬合 3.4 現代啟發式算法 3.4.1 遺傳算法 3.4.□ 群智能算法 3.4.3 模擬退火算法 4 數字仿真原理與應用