所謂“工業大數據分析”，其實就是在工業生產過程、工業設備、流水線等一繫列復雜繫統中，通過通過分析現像去看本質的過程。比如設備出了問題，像是風電渦輪不轉了，流水線卡住了，機器堵了，生產的產品突然出現了好多殘次品，曾經的工程師都是憑經驗，或者觀察，通過現像去看本質。而現在，因為現代化的工廠或者工業設備的每一個環節都有各種電子數據的記錄，而數據分析師則可以通過這些數據的統計，通過合適的算法和模式，去通過計算機發現這些設備出現的故障和問題。這就是數字化時代的故障分析技術——數據挺多，但是怎麼用纔對，這是等

●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
1.2.1CRISP-DM簡介
1.2.2分析課題的執行路徑
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
1.4.1分析算法理解的維度與路徑
1.4.2推薦閱讀圖書
1.4.3分析算法背後的樸素思想
1.4.4工程化思維
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
2.2.1cumsum等primitive函數的利用:避免循環
2.2.2帶時間戳的數據框合並
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
2.3.1引言
2.3.2R語言EDA包
2.3.3其他工具包
2.3.4小結
2.4.1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細致求實的基本素養
2.4.5小結
2.5.1基於數據類型的特征提取
2.5.2基於關聯關繫的特征自動生成
2.5.3基於語法樹的變量間組合特征生成
2.6.1特征選擇的框架
2.6.2搜索策略
2.6.3子集評價
2.6.4小結
3.1統計分析
3.1.1概率分布
3.1.2參數估計
3.1.3假設檢驗
3.2.2基於核函數的非參數方法
3.2.3單概率分布的參數化擬合
3.2.4混合概率分布估計
3.2.5小結
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結構復雜度懲罰（正則化）
3.3.6擴展
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變量重要性評價
3.4.5MARS與其他算法的關繫
3.5.1ANN逼近能力的直觀理解
3.5.2極限學習機
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
3.7.1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
3.8.1引言
3.8.2工作原理
3.8.3示例
3.8.4討論
……

本書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，專家規則捕獲方法，工業數據分析工程等內容。

田春華 著