Name: 工業數據分析工程：基於CRISP-DM的形式化方法
SKU: https://www.books.com.tw/products/CN12008663

內容簡介

在“數據資產化”“工業互聯網”“工業大數據”的推進中，工業大數據分析仍缺乏統一的指導方法，造成工業大數據分析項目質量波動大落地成功率低。CRISP-DM方法是機器學習領域的行業事實標準，但CRISP-DM 僅僅是過程方法，對於每個階段或關鍵活動，沒有給出具體的行動指導。

本書在 CRISP-DM 基礎上，細化了工業數據分析中的具體活動，針對關鍵活動提出了明確的形式化方法(例如，用系統動力學模型刻畫工業物理系統的運行機理，用領域模型描述物理系統間的概念關係，用數據處理流圖描述分析模型間的數據處理和依賴關係)，並用具體的行業案例進行闡述，嘗試為工業大數據分析構建一套實操性的工程方法體系。

《工業數據分析工程：基於CRISP-DM的形式化方法》分為 10 章:第1章概要介紹工業數據分析方法體系;第2~7章討論了分析場景定義、業務理解、數據理解、數據準備、模型建立、模型評估和模型部署7個階段的關鍵活動、關鍵角色和成功標準，給出實操形式化方法，並用具體工業案例進行展示;第8~10章用3個不同類型行業案例，端到端展示了工業數據分析方法的應用過程。本書是實操性方法的系統總結，用實際案例將讀者代人，更好地理解問題的挑戰和解決過程在此基礎上，進行系統化總結，方便方法的傳承。

《工業數據分析工程：基於CRISP-DM的形式化方法》適合工業大數據從業者，包括工業大數據/工業互聯網企業的研發人員、工業企業T部門及數字化轉型部門的工程技術人員閱讀，也適合高等或職業院校的大數據或工業互聯網相關專業的教師和學生閱讀。

作者介紹

田春華
博士，北京工業大數據創新中心首席數據科學家，清華大學工業大數據研究中心，首席數據科學家；曾任IBM中國研究院研究經理，IEEE、INFORMS、ACM等學術組織及國際學術會議分會主席、執行委員、國際學術期刊審稿人。長期負責數據挖掘算法研究和產品工作，在高端裝備製造、石油石化、新能源、航空與港口等行業，幫助幾十家國內外領先企業成功實施資產管理、運營優化、營銷洞察等數據分析項目。參與了多個工業大數據相關標準的制定工作、白皮書的編寫工作、競賽支持工作。發表論文近百篇，擁有40余項國際國內發明專利授權。

1.工業數據分析方法概述
1.1.方法論內涵與作用
1.2.工業大數據項目落地的載體
1.2.1.大數據分析的3種載體形式：數據服務、模型服務、智能應用
1.2.2.工業大數據項目的價值落地
1.2.3.智能化項目管理
1.3.工業數據分析過程方法
1.4.如何用好工業數據分析方法
1.4.1.大數據分析方法的應用範疇
1.4.2.大數據分析方法與項目管理
1.4.3.大數據分析項目階段劃分
參考文獻

2.分析場景定義
2.1.什麼是分析場景
2.2.分析場景識別
2.2.1.自頂向下的結構化分解法
2.2.2.自下向上的歸納剖析法
2.2.3.數據驅動的業務能力匹配法
2.2.4.分析場景識別中的常見問題
2.3.分析場景篩選
2.3.1.基於基線思維的場景篩選法
2.3.2.基於要素-認知矩陣的場景篩選法
2.3.3.分析場景篩選中的常見問題
2.4.分析場景定義示例
2.4.1.智能運維：自頂向下的結構化分解法
2.4.2.汽車製造：自下向上的歸納剖析法
2.4.3.電動礦卡智能管理：數據驅動的業務能力匹配法
參考文獻

3.業務理解
3.1.業務理解的目標
3.1.1.形成分析課題描述
3.1.2.提出數據需求清單
3.2.業務理解的主要內容
3.2.1.決策邏輯
3.2.2.決策場景
3.2.3.領域概念
3.3.業務理解的形式化模型
3.3.1.層次分解模型-列表
3.3.2.層次分解模型-樹狀結構
3.3.3.系統動力學模型
3.3.4.專家規則
3.3.5.運籌學模型
3.4.系統動力學的建模方法
3.4.1.系統動力學圖的建模過程
3.4.2.系統動力學建模背後的支撐技術
3.4.3.系統動力學模型的概念辨析
3.5.專家規則的建模方法
3.5.1.基於規則流的規則描述方法
3.5.2.基於邏輯表達式的規則檢驗方法
3.6.領域模型的建模方法
3.6.1.數據驅動的領域建模
3.6.2.業務驅動的領域建模
3.7.業務理解的執行策略
3.7.1.瞭解性訪談
3.7.2.基於樣例數據的業務理解
3.7.3.確認性訪談
3.8.思考：業務理解中形式化模型的必要性
3.8.1.水箱水位預測的例子
3.8.2.發電機冷卻水溫度區間估計的例子
參考文獻

4.數據理解
4.1.數據收集
4.1.1.明確數據源系統和訪問方式
4.1.2.明確數據更新與存儲週期
4.2.數據描述-數據集層面的理解
4.2.1.樣本數據的人工閱讀
4.2.2.數據概覽
4.2.3.領域模型與數據模型交互理解
4.3.數據探索-數據字段層面的理解
4.3.1.統計分佈
4.3.2.數據可視化
4.4.數據探索-業務層面的理解
4.4.1.業務維度組合的探索（基於領域模型）
4.4.2.業務過程理解（基於系統動力學模型）
4.4.3.專家知識的複現
4.5.數據質量審查
4.5.1.示例案例
4.5.2.基於領域模型的質量審查方法
4.5.3.分析項目中數據質量突出的原因
4.5.4.數據質量評價與影響分析
4.6.數據理解階段的執行策略
4.6.1.執行路徑
4.6.2.軟件工具
4.6.3.典型的數據處理技巧
參考文獻

5.數據準備
5.1.數據流設計
5.1.1.數據倉庫建模
5.1.2.領域模型驅動的工業數據組織方法
5.1.3.工業數據分析的數據流圖
5.1.4.分析數據流圖示例
5.2.數據選擇與清洗
5.3.數據融合
5.4.特徵提取與選擇
5.4.1.特徵的來源
5.4.2.特徵提取的推進思路
5.5.數據資源化：數據分析師的視角
參考文獻

6.模型建立
6.1.常用的算法
6.2.目標變量的相關問題
6.2.1.目標變量的構建
6.2.2.目標變量變換
6.2.3.不均衡問題
6.3.預測變量的相關問題
6.3.1.工況切分
6.3.2.變量的離散化
6.3.3.移除沒有業務意義的高相關特徵量
6.3.4.特徵變量組合
6.3.5.類別變量的完備度
6.4.工業分析建模問題
6.4.1.基準模型
6.4.2.大量測點的穩定過程建模
6.4.3.基於樸素道理的深度網絡結構參數優化
6.4.4.時序分類問題
6.4.5.非監督學習問題
6.4.6.優化問題
6.4.7.評價型問題
6.4.8.淺機理、高維度的診斷型問題
6.5.機理模型與統計模型的結合方法
6.5.1.機理模型的範疇：定性與定量機理
6.5.2.統計模型與數學模型的4種融合範式
6.5.3.統計模型與仿真模型的2種融合模式
6.5.4.統計模型與經驗性機理模型的融合
參考文獻

7.模型評價與部署
7.1.模型評價的內容
7.2.技術評價
7.3.業務評價
7.4.下一步工作規劃
7.5.模型部署的內容
7.6.部署包的設計
7.6.1.分析任務的邏輯審查
7.6.2.數據異常的影響分析與應對措施
7.6.3.分析模型打包
7.7.模型運維機制設計
7.8.分析課題總結
參考文獻

8. 機器學習融合的設計模式
8.1 機器學習融合設計模式的來源和分類
8.2 業務邏輯與機器學習融合
8.2.1 業務狀態機模式
8.2.2 關聯規則發現模式
8.3 機理知識與機器學習融合
8.3.1 機理矯正模式
8.3.2 機理正則化約束模式
8.4 運籌優化與機器學習融合
8.4.1 啟發策略增強模式
8.4.2 代理模型輔助優化模式
參考文獻

9.風功率曲線分析
9.1.業務理解
9.1.1.環境要素
9.1.2.風況要素
9.1.3.控制系統的要素
9.1.4.設計與安裝要素
9.2.風功率曲線擬合-數據理解
9.2.1.功率曲線預覽
9.2.2.多變量關係
9.3.風功率曲線擬合-數據準備
9.3.1.對風速做分倉
9.3.2.對有功功率做分倉
9.3.3.改進方向
9.4.風功率曲線擬合-回歸模型
9.5.風功率曲線異常點識別-數據理解
9.5.1.數據說明
9.5.2.單颱風機
...

看更多