《機器學習：工業大數據分析》是2023年清華大學出版社出版的圖書，作者是李彥夫、張晨。
基本介紹
- 中文名：機器學習：工業大數據分析
- 作者：李彥夫、張晨
- 出版時間：2023年10月1日
- 出版社：清華大學出版社
- ISBN：9787302608226
- 定價：55 元
內容簡介,圖書目錄,
內容簡介
本套教材包括主教材《機器學習-工業大數據分析》，一套多媒體課件，一個工業大數據集，一套完整代碼集。由授課教師在進行教學實踐的基礎上，適應當前國內教學改革的需要，結合清華大學《機器學習與大數據》的教學經驗編寫而成。本書以機器學習理論方法和工業大數據實踐為兩條並行主線貫穿整個課程。以經典機器學習、深度學習以及強化學習部分為理論主體，重點介紹方法原理、公式推導、算法設計和分析；以生產系統、交通系統、能源系統、電信系統、醫療系統為主體實踐領域，重點介紹大數據與機器學習方法的聯合套用以及評估。全書共分2篇，分別講述機器學習原理、方法以及在工業大數據領域的套用。
圖書目錄
目 錄
第1章 數學基礎 1
1.1 線性代數 1
1.1.1 標量、向量、矩陣和張量 1
1.1.2 線性相關和生成子空間 3
1.1.3 矩陣的特徵分解 3
1.1.4 矩陣的奇異值分解 5
1.1.5 範數 6
1.2 機率論和資訊理論簡介 6
1.2.1 機率論 6
1.2.2 資訊理論 9
1.3 最佳化算法 13
1.3.1 梯度 13
1.3.2 梯度下降 15
1.3.3 約束最佳化 17
1.4 信號分析基礎 19
1.4.1 信號分析的相關概念 19
1.4.2 信號的分解 23
1.4.3 傅立葉變換 25
1.4.4 小波變換 27
習題 28
第2章 經典機器學習 31
2.1 監督學習 31
2.1.1 線性回歸模型 33
2.1.2 邏輯回歸算法 38
2.1.3 k近鄰法 42
2.1.4 樸素貝葉斯法 43
2.1.5 支持向量機 47
2.1.6 決策樹 54
2.2 無監督學習 59
2.2.1 降維 59
2.2.2 聚類 65
習題 72
第3章 深度學習 74
3.1 人工神經網路 74
3.1.1 神經元基礎 74
3.1.2 激活函式類型 75
3.1.3 神經網路基礎 76
3.1.4 神經網路權值更新 78
3.1.5 其他梯度下降法 82
3.1.6 案例： 神經網路識別數字 84
3.2 卷積神經網路 84
3.2.1 卷積操作 85
3.2.2 卷積層相關概念 86
3.2.3 池化操作 90
3.2.4 平鋪及全連線操作 91
3.2.5 卷積神經網路反向傳播公式 92
3.2.6 案例：卷積神經網路識別數字 96
3.3 循環神經網路 97
3.3.1 循環神經網路基礎 97
3.3.2 循環神經網路傳播公式 99
3.3.3 LSTM網路 102
3.3.4 門控循環單元和雙向LSTM 104
3.3.5 深度循環神經網路 106
3.3.6 案例：循環神經網路文本預測 106
3.4 生成對抗神經網路 107
3.4.1 對抗神經網路基礎 107
3.4.2 對抗神經網路實際操作 110
3.4.3 生成對抗神經網路變體 112
3.4.4 案例：對抗神經網路生成樣本 112
3.5 神經網路前沿延伸閱讀 114
習題 117
第4章 強化學習 121
4.1 任務與獎勵 121
4.2 馬爾可夫決策過程 122
4.3 最優策略 128
4.4 免模型學習 129
4.4.1 預備知識：蒙特卡羅方法 129
4.4.2 基於價值的方法 130
4.4.3 基於策略的方法 133
4.5 蒙特卡羅樹搜尋 135
4.5.1 背景 136
4.5.2 啟發式搜尋 138
4.5.3 預演算法 139
4.5.4 MCTS算法 140
4.5.5 MCTS示例 143
4.6 深度強化學習 147
4.6.1 深度Q網路 147
4.6.2 近端策略最佳化 149
4.6.3 延伸閱讀：AlphaGo 151
4.6.4 案例：基於深度Q網路的智慧型小車平衡 153
習題 156
第5章 數據處理相關知識 158
5.1 工業大數據 158
5.1.1 工業大數據背景 158
5.1.2 工業大數據平台 159
5.1.3 工業大數據分析建模方法體系 161
5.1.4 工業大數據平台架構 164
5.1.5 工業大數據分析建模計算框架 166
5.2 數據處理 168
5.2.1 數據清洗 168
5.2.2 數據變換 170
5.2.3 數據降維 172
5.2.4 非平衡數據集的處理 173
5.3 環境配置及代碼編程 175
5.3.1 Anaconda平台介紹及環境配置 175
5.3.2 Keras搭建神經網路序貫模型 177
第6章 生產系統相關案例 179
6.1 旋轉機械關鍵部件故障診斷 179
6.1.1 背景介紹 179
6.1.2 案例研究 179
6.1.3 數據預處理 181
6.1.4 齒輪箱振動信號特徵參數提取 182
6.1.5 SVM故障分類模型構建 183
6.1.6 結果分析 185
6.1.7 總結 185
6.2 刀具磨損狀態評估 185
6.2.1 背景介紹 185
6.2.2 案例研究 186
6.2.3 磨損狀態評估模型構建 188
6.2.4 評價指標構建 190
6.2.5 結果分析 191
6.2.6 總結 192
第7章 能源、電信系統相關案例 193
7.1 風力發電機葉片開裂故障診斷 193
7.1.1 背景介紹 193
7.1.2 問題描述 193
7.1.3 數據預處理 194
7.1.4 評價指標 195
7.1.5 故障診斷方法 196
7.1.6 結果分析 197
7.1.7 總結 198
7.2 基於深度強化學習的核電站維修決策 198
7.2.1 背景介紹 198
7.2.2 問題描述 199
7.2.3 仿真環境搭建 200
7.2.4 評價指標 201
7.2.5 PPO算法 202
7.2.6 結果分析 204
7.2.7 總結 204
7.3 5G通信數據下行傳輸速率預測 205
7.3.1 問題背景 205
7.3.2 數據介紹 205
7.3.3 數據預處理 205
7.3.4 模型構建 206
7.3.5 結果分析 207
7.3.6 總結 207
第8章 交通系統相關案例 208
8.1 高速列車車輪健康狀態監測 208
8.1.1 背景介紹 208
8.1.2 數據預處理 208
8.1.3 監測方法 211
8.1.4 結果分析 212
8.1.5 總結 213
8.2 航天裝備的結構振動預測 213
8.2.1 背景介紹 213
8.2.2 問題描述 214
8.2.3 數據預處理 214
8.2.4 評價指標 216
8.2.5 振動預測方法 217
8.2.6 結果分析 219
8.2.7 總結 219
8.3 城市公共運輸系統的客流預測 221
8.3.1 背景介紹 221
8.3.2 數據描述 222
8.3.3 數據預處理 222
8.3.4 評價指標 224
8.3.5 模型構建 224
8.3.6 結果分析 226
8.3.7 總結 227
第9章 醫療系統相關案例 228
9.1 糖尿病患者的血糖預測 228
9.1.1 背景介紹 228
9.1.2 問題描述 228
9.1.3 數據預處理 230
9.1.4 評價指標 232
9.1.5 血糖預測方法 232
9.1.6 結果分析 234
9.1.7 總結 236
9.2 國內各省份新冠疫情聚類分析 237
9.2.1 背景介紹 237
9.2.2 問題描述 237
9.2.3 數據預處理 238
9.2.4 評價指標 239
9.2.5 多階段分級聚類框架 239
9.2.6 結果分析 241
9.2.7 總結 243
9.3 某種蛋白質電泳圖像的分類 244
9.3.1 背景介紹 244
9.3.2 問題描述 244
9.3.3 數據預處理 245
9.3.4 評價指標 245
9.3.5 模型構建 246
9.3.6 結果分析 247
9.3.7 總結 249
附錄 數學符號列表 250
參考文獻 252
