机器学习:工业大数据分析

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