下载地址：

如今，全球掀起了以制造业转型升级为首要任务的新一轮工业变革，工业大数据通过云计算、物联网、人工智能等技术新一轮科技革命，拉动工业经济的创新发展。工业大数据分析技术作为工业大数据的核心技术之一，可使工业大数据产品具备海量数据的挖掘能力、多源数据的集成能力、多类型知识的建模能力、多业务场景的分析能力、多领域知识的发掘能力等，对驱动企业业务创新和转型升级具有重大的作用。 本书围绕着"工业大数据分析”这一重要议题，对通用的工业大数据分析方法和分析流程进行归纳总结，对其关键共性进行辨识、抽象和提升，而非针对某一特定行业、企业或产品进行阐述。本书从工业大数据分析的概念、特殊性以及常见的问题入手，提出了工业大数据分析框架，并详细阐述了业务理解、数据理解、数据准备、数据建模、模型验证与评估、模型部署这6个工业大数据分析的基本步骤，*后对工业大数据分析的未来进行了展望，为工业大数据分析相关技术研发、设计建模和应用落地提供了理论依据和标准化方法。

 

章 工业大数据分析概论 001

1.1 工业大数据分析概述 002

1.2 工业大数据分析的特殊性 011

1.3 工业大数据分析中的常见问题 015

第 2章 工业大数据分析框架 019

2.1 CRISP-DM模型 020

2.2 CRISP-DM模型落地的难点 022

2.3 工业大数据分析的指导思想 024

第3章 业务理解 027

3.1 认识工业对象 028

3.2 理解数据分析的需求 032

3.3 工业数据分析目标的评估 035

3.4 产品全生命周期 038

第4章 数据理解 041

4.1 数据来源 042

4.2 数据的分类及相互关系 046

4.3 数据质量 049

第5章 数据准备 053

5.1 业务系统的数据准备 054

5.2 工业企业的数据准备 056

5.3 物联网的数据准备 058

5.4 建模分析的数据准备 060

第6章 数据建模 065

6.1 模型的形式化描述 066

6.2 工业建模的基本过程 070

6.3 工业建模的特征工程 073

6.4 工业大数据分析的算法介绍 077

第7章 模型的验证与评估 085

7.1 知识的质量 086

7.2 传统数据分析方法及其存在的问题 088

7.3 基于领域知识的模型验证与评估 091

7.4 总结与展望 095

第8章 模型的部署 097

8.1 模型部署前应考虑的问题 098

8.2 实施和运行中的问题 101

8.3 问题的解决方法 103

8.4 部署后的持续优化 105

第9章 展望未来 107