扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
中医基础理论
-
>
高校军事课教程
-
>
思想道德与法治(2021年版)
-
>
毛泽东思想和中国特色社会主义理论体系概论(2021年版)
-
>
中医内科学·全国中医药行业高等教育“十四五”规划教材
-
>
中医诊断学--新世纪第五版
-
>
中药学·全国中医药行业高等教育“十四五”规划教材
机器学习:工业大数据分析 版权信息
- ISBN：9787302608226
- 条形码：9787302608226 ; 978-7-302-60822-6
- 装帧：平装-胶订
- 册数：暂无
- 重量：暂无
- 所属分类：>>
机器学习:工业大数据分析 本书特色
入选清华大学本科优秀教材建设项目；深入浅出，涵盖面广，应用案例丰富，注重理论联系实际，体例新颖，教辅齐全。
机器学习:工业大数据分析 内容简介
本套教材包括主教材《机器学习-工业大数据分析》，一套多媒体课件，一个工业大数据集，一套完整代码集。由授课教师在进行教学实践的基础上，适应当前国内教学改革的需要，结合清华大学《机器学习与大数据》的教学经验编写而成。本书以机器学习理论方法和工业大数据实践为两条并行主线贯穿整个课程。以经典机器学习、深度学习以及强化学习部分为理论主体，重点介绍方法原理、公式推导、算法设计和分析；以生产系统、交通系统、能源系统、电信系统、医疗系统为主体实践领域，重点介绍大数据与机器学习方法的联合应用以及评估。全书共分2篇，分别讲述机器学习原理、方法以及在工业大数据领域的应用。 本套教材可作为高等院校非计算机类等专业的机器学习课程教材，也可供有关技术人员作为自学用书。
机器学习:工业大数据分析 目录
第1章 数学基础 1
1.1 线性代数 1
1.1.1 标量、向量、矩阵和张量 1
1.1.2 线性相关和生成子空间 3
1.1.3 矩阵的特征分解 3
1.1.4 矩阵的奇异值分解 5
1.1.5 范数 6
1.2 概率论和信息论简介 6
1.2.1 概率论 6
1.2.2 信息论 9
1.3 优化算法 13
1.3.1 梯度 13
1.3.2 梯度下降 15
1.3.3 约束优化 17
1.4 信号分析基础 19
1.4.1 信号分析的相关概念 19
1.4.2 信号的分解 23
1.4.3 傅里叶变换 25
1.4.4 小波变换 27
习题 28
第2章 经典机器学习 31
2.1 监督学习 31
2.1.1 线性回归模型 33
2.1.2 逻辑回归算法 38
2.1.3 k近邻法 42
2.1.4 朴素贝叶斯法 43
2.1.5 支持向量机 47
2.1.6 决策树 54
2.2 无监督学习 59
2.2.1 降维 59
2.2.2 聚类 65
习题 72
第3章 深度学习 74
3.1 人工神经网络 74
3.1.1 神经元基础 74
3.1.2 激活函数类型 75
3.1.3 神经网络基础 76
3.1.4 神经网络权值更新 78
3.1.5 其他梯度下降法 82
3.1.6 案例： 神经网络识别数字 84
3.2 卷积神经网络 84
3.2.1 卷积操作 85
3.2.2 卷积层相关概念 86
3.2.3 池化操作 90
3.2.4 平铺及全连接操作 91
3.2.5 卷积神经网络反向传播公式 92
3.2.6 案例：卷积神经网络识别数字 96
3.3 循环神经网络 97
3.3.1 循环神经网络基础 97
3.3.2 循环神经网络传播公式 99
3.3.3 LSTM网络 102
3.3.4 门控循环单元和双向LSTM 104
3.3.5 深度循环神经网络 106
3.3.6 案例：循环神经网络文本预测 106
3.4 生成对抗神经网络 107
3.4.1 对抗神经网络基础 107
3.4.2 对抗神经网络实际操作 110
3.4.3 生成对抗神经网络变体 112
3.4.4 案例：对抗神经网络生成样本 112
3.5 神经网络前沿延伸阅读 114
习题 117
第4章 强化学习 121
4.1 任务与奖励 121
4.2 马尔可夫决策过程 122
4.3 *优策略 128
4.4 免模型学习 129
4.4.1 预备知识：蒙特卡罗方法 129
4.4.2 基于价值的方法 130
4.4.3 基于策略的方法 133
4.5 蒙特卡罗树搜索 135
4.5.1 背景 136
4.5.2 启发式搜索 138
4.5.3 预演算法 139
4.5.4 MCTS算法 140
4.5.5 MCTS示例 143
4.6 深度强化学习 147
4.6.1 深度Q网络 147
4.6.2 近端策略优化 149
4.6.3 延伸阅读：AlphaGo 151
4.6.4 案例：基于深度Q网络的智能小车平衡 153
习题 156
第5章 数据处理相关知识 158
5.1 工业大数据 158
5.1.1 工业大数据背景 158
5.1.2 工业大数据平台 159
5.1.3 工业大数据分析建模方法体系 161
5.1.4 工业大数据平台架构 164
5.1.5 工业大数据分析建模计算框架 166
5.2 数据处理 168
5.2.1 数据清洗 168
5.2.2 数据变换 170
5.2.3 数据降维 172
5.2.4 非平衡数据集的处理 173
5.3 环境配置及代码编程 175
5.3.1 Anaconda平台介绍及环境配置 175
5.3.2 Keras搭建神经网络序贯模型 177
第6章 生产系统相关案例 179
6.1 旋转机械关键部件故障诊断 179
6.1.1 背景介绍 179
6.1.2 案例研究 179
6.1.3 数据预处理 181
6.1.4 齿轮箱振动信号特征参数提取 182
6.1.5 SVM故障分类模型构建 183
6.1.6 结果分析 185
6.1.7 总结 185
6.2 刀具磨损状态评估 185
6.2.1 背景介绍 185
6.2.2 案例研究 186
6.2.3 磨损状态评估模型构建 188
6.2.4 评价指标构建 190
6.2.5 结果分析 191
6.2.6 总结 192
第7章 能源、电信系统相关案例 193
7.1 风力发电机叶片开裂故障诊断 193
7.1.1 背景介绍 193
7.1.2 问题描述 193
7.1.3 数据预处理 194
7.1.4 评价指标 195
7.1.5 故障诊断方法 196
7.1.6 结果分析 197
7.1.7 总结 198
7.2 基于深度强化学习的核电站维修决策 198
7.2.1 背景介绍 198
7.2.2 问题描述 199
7.2.3 仿真环境搭建 200
7.2.4 评价指标 201
7.2.5 PPO算法 202
7.2.6 结果分析 204
7.2.7 总结 204
7.3 5G通信数据下行传输速率预测 205
7.3.1 问题背景 205
7.3.2 数据介绍 205
7.3.3 数据预处理 205
7.3.4 模型构建 206
7.3.5 结果分析 207
7.3.6 总结 207
第8章 交通系统相关案例 208
8.1 高速列车车轮健康状态监测 208
8.1.1 背景介绍 208
8.1.2 数据预处理 208
8.1.3 监测方法 211
8.1.4 结果分析 212
8.1.5 总结 213
8.2 航天装备的结构振动预测 213
8.2.1 背景介绍 213
8.2.2 问题描述 214
8.2.3 数据预处理 214
8.2.4 评价指标 216
8.2.5 振动预测方法 217
8.2.6 结果分析 219
8.2.7 总结 219
8.3 城市公共交通系统的客流预测 221
8.3.1 背景介绍 221
8.3.2 数据描述 222
8.3.3 数据预处理 222
8.3.4 评价指标 224
8.3.5 模型构建 224
8.3.6 结果分析 226
8.3.7 总结 227
第9章 医疗系统相关案例 228
9.1 糖尿病患者的血糖预测 228
9.1.1 背景介绍 228
9.1.2 问题描述 228
9.1.3 数据预处理 230
9.1.4 评价指标 232
9.1.5 血糖预测方法 232
9.1.6 结果分析 234
9.1.7 总结 236
9.2 国内各省份新冠疫情聚类分析 237
9.2.1 背景介绍 237
9.2.2 问题描述 237
9.2.3 数据预处理 238
9.2.4 评价指标 239
9.2.5 多阶段分级聚类框架 239
9.2.6 结果分析 241
9.2.7 总结 243
9.3 某种蛋白质电泳图像的分类 244
9.3.1 背景介绍 244
9.3.2 问题描述 244
9.3.3 数据预处理 245
9.3.4 评价指标 245
9.3.5 模型构建 246
9.3.6 结果分析 247
9.3.7 总结 249
附录 数学符号列表 250
参考文献 252
1.1 线性代数 1
1.1.1 标量、向量、矩阵和张量 1
1.1.2 线性相关和生成子空间 3
1.1.3 矩阵的特征分解 3
1.1.4 矩阵的奇异值分解 5
1.1.5 范数 6
1.2 概率论和信息论简介 6
1.2.1 概率论 6
1.2.2 信息论 9
1.3 优化算法 13
1.3.1 梯度 13
1.3.2 梯度下降 15
1.3.3 约束优化 17
1.4 信号分析基础 19
1.4.1 信号分析的相关概念 19
1.4.2 信号的分解 23
1.4.3 傅里叶变换 25
1.4.4 小波变换 27
习题 28
第2章 经典机器学习 31
2.1 监督学习 31
2.1.1 线性回归模型 33
2.1.2 逻辑回归算法 38
2.1.3 k近邻法 42
2.1.4 朴素贝叶斯法 43
2.1.5 支持向量机 47
2.1.6 决策树 54
2.2 无监督学习 59
2.2.1 降维 59
2.2.2 聚类 65
习题 72
第3章 深度学习 74
3.1 人工神经网络 74
3.1.1 神经元基础 74
3.1.2 激活函数类型 75
3.1.3 神经网络基础 76
3.1.4 神经网络权值更新 78
3.1.5 其他梯度下降法 82
3.1.6 案例： 神经网络识别数字 84
3.2 卷积神经网络 84
3.2.1 卷积操作 85
3.2.2 卷积层相关概念 86
3.2.3 池化操作 90
3.2.4 平铺及全连接操作 91
3.2.5 卷积神经网络反向传播公式 92
3.2.6 案例：卷积神经网络识别数字 96
3.3 循环神经网络 97
3.3.1 循环神经网络基础 97
3.3.2 循环神经网络传播公式 99
3.3.3 LSTM网络 102
3.3.4 门控循环单元和双向LSTM 104
3.3.5 深度循环神经网络 106
3.3.6 案例：循环神经网络文本预测 106
3.4 生成对抗神经网络 107
3.4.1 对抗神经网络基础 107
3.4.2 对抗神经网络实际操作 110
3.4.3 生成对抗神经网络变体 112
3.4.4 案例：对抗神经网络生成样本 112
3.5 神经网络前沿延伸阅读 114
习题 117
第4章 强化学习 121
4.1 任务与奖励 121
4.2 马尔可夫决策过程 122
4.3 *优策略 128
4.4 免模型学习 129
4.4.1 预备知识：蒙特卡罗方法 129
4.4.2 基于价值的方法 130
4.4.3 基于策略的方法 133
4.5 蒙特卡罗树搜索 135
4.5.1 背景 136
4.5.2 启发式搜索 138
4.5.3 预演算法 139
4.5.4 MCTS算法 140
4.5.5 MCTS示例 143
4.6 深度强化学习 147
4.6.1 深度Q网络 147
4.6.2 近端策略优化 149
4.6.3 延伸阅读：AlphaGo 151
4.6.4 案例：基于深度Q网络的智能小车平衡 153
习题 156
第5章 数据处理相关知识 158
5.1 工业大数据 158
5.1.1 工业大数据背景 158
5.1.2 工业大数据平台 159
5.1.3 工业大数据分析建模方法体系 161
5.1.4 工业大数据平台架构 164
5.1.5 工业大数据分析建模计算框架 166
5.2 数据处理 168
5.2.1 数据清洗 168
5.2.2 数据变换 170
5.2.3 数据降维 172
5.2.4 非平衡数据集的处理 173
5.3 环境配置及代码编程 175
5.3.1 Anaconda平台介绍及环境配置 175
5.3.2 Keras搭建神经网络序贯模型 177
第6章 生产系统相关案例 179
6.1 旋转机械关键部件故障诊断 179
6.1.1 背景介绍 179
6.1.2 案例研究 179
6.1.3 数据预处理 181
6.1.4 齿轮箱振动信号特征参数提取 182
6.1.5 SVM故障分类模型构建 183
6.1.6 结果分析 185
6.1.7 总结 185
6.2 刀具磨损状态评估 185
6.2.1 背景介绍 185
6.2.2 案例研究 186
6.2.3 磨损状态评估模型构建 188
6.2.4 评价指标构建 190
6.2.5 结果分析 191
6.2.6 总结 192
第7章 能源、电信系统相关案例 193
7.1 风力发电机叶片开裂故障诊断 193
7.1.1 背景介绍 193
7.1.2 问题描述 193
7.1.3 数据预处理 194
7.1.4 评价指标 195
7.1.5 故障诊断方法 196
7.1.6 结果分析 197
7.1.7 总结 198
7.2 基于深度强化学习的核电站维修决策 198
7.2.1 背景介绍 198
7.2.2 问题描述 199
7.2.3 仿真环境搭建 200
7.2.4 评价指标 201
7.2.5 PPO算法 202
7.2.6 结果分析 204
7.2.7 总结 204
7.3 5G通信数据下行传输速率预测 205
7.3.1 问题背景 205
7.3.2 数据介绍 205
7.3.3 数据预处理 205
7.3.4 模型构建 206
7.3.5 结果分析 207
7.3.6 总结 207
第8章 交通系统相关案例 208
8.1 高速列车车轮健康状态监测 208
8.1.1 背景介绍 208
8.1.2 数据预处理 208
8.1.3 监测方法 211
8.1.4 结果分析 212
8.1.5 总结 213
8.2 航天装备的结构振动预测 213
8.2.1 背景介绍 213
8.2.2 问题描述 214
8.2.3 数据预处理 214
8.2.4 评价指标 216
8.2.5 振动预测方法 217
8.2.6 结果分析 219
8.2.7 总结 219
8.3 城市公共交通系统的客流预测 221
8.3.1 背景介绍 221
8.3.2 数据描述 222
8.3.3 数据预处理 222
8.3.4 评价指标 224
8.3.5 模型构建 224
8.3.6 结果分析 226
8.3.7 总结 227
第9章 医疗系统相关案例 228
9.1 糖尿病患者的血糖预测 228
9.1.1 背景介绍 228
9.1.2 问题描述 228
9.1.3 数据预处理 230
9.1.4 评价指标 232
9.1.5 血糖预测方法 232
9.1.6 结果分析 234
9.1.7 总结 236
9.2 国内各省份新冠疫情聚类分析 237
9.2.1 背景介绍 237
9.2.2 问题描述 237
9.2.3 数据预处理 238
9.2.4 评价指标 239
9.2.5 多阶段分级聚类框架 239
9.2.6 结果分析 241
9.2.7 总结 243
9.3 某种蛋白质电泳图像的分类 244
9.3.1 背景介绍 244
9.3.2 问题描述 244
9.3.3 数据预处理 245
9.3.4 评价指标 245
9.3.5 模型构建 246
9.3.6 结果分析 247
9.3.7 总结 249
附录 数学符号列表 250
参考文献 252
展开全部
机器学习:工业大数据分析 作者简介
李彦夫,清华大学工业工程系教授，清华大学质量与可靠性研究院副院长。2011-2016年任教于法国巴黎中央理工-高等电力学院。长期致力于系统可靠性、机器学习应用研究，并将其应用于高铁、电信等领域，取得系列原创成果。代表性论文发表在《IEEE Transactions》、《ACM Transactions》等期刊。H-index 24，Elsevier 2019年中国高被引学者。主持国家自科基金重点项目、国家重点研发计划课题等项目。承担华为、商飞、阿尔斯通等企业委托项目，多项成果得到应用获得明显经济效益。
书友推荐
- >
苦雨斋序跋文-周作人自编集
苦雨斋序跋文-周作人自编集
¥6.9¥16.0 - >
回忆爱玛侬
回忆爱玛侬
¥9.8¥32.8 - >
上帝之肋:男人的真实旅程
上帝之肋:男人的真实旅程
¥30.5¥35.0 - >
人文阅读与收藏·良友文学丛书:一天的工作
人文阅读与收藏·良友文学丛书:一天的工作
¥16.5¥45.8 - >
朝闻道
朝闻道
¥15.0¥23.8 - >
月亮虎
月亮虎
¥20.2¥48.0 - >
伯纳黛特,你要去哪(2021新版)
伯纳黛特,你要去哪(2021新版)
¥16.9¥49.8 - >
李白与唐代文化
李白与唐代文化
¥12.5¥29.8
本类畅销
-
食品添加剂
¥33.5¥45 -
VB语言程序设计
¥29.9¥39.8 -
C语言程序设计习题与实验指导
¥9.1¥18 -
地下建筑结构-(第三版)-(赠课件)
¥49.4¥55 -
模具制图
¥37.8¥49 -
工程机械结构认知
¥10.5¥22
