工业人工智能概论

●第1章绪论1
1.1人工智能的内涵及发展1
1.2工业人工智能的内涵及发展4
1.2.1工业人工智能的发展背景4
1.2.2工业人工智能的发展历程6
1.2.3工业人工智能与传统人工智能的区别7
1.3工业人工智能的算法功能和典型应用8
1.4工业人工智能的知识体系11
1.5工业人工智能的关键技术12
第2章数据分析与数据挖掘工具14
2.1工业大数据的特点15
2.2工业大数据挖掘的定义及过程17
2.3工业数据的特征分析18
2.3.1工业数据的统计描述18
2.3.2工业数据的相关性分析20
2.4工业数据的预处理23
2.4.1异常值处理23
工业数据异常值的处理案例25
2.4.2缺失值处理26
工业数据缺失值的处理案例27
2.4.3数据归一化处理28
2.4.4不等时距数据处理28
工业数据不等时距处理案例29
2.4.5离群点检测32
2.4.6不平衡数据集检测34
2.4.7数据降维处理36
2.5假设检验41
2.5.1假设检验的基本原理41
2.5.2假设检验的一般步骤42
2.5.3假设检验的种类42
2.6多变量分析模型44
2.6.1线性模型44
2.6.2广义线性模型45
2.6.3线性混合效应模型47
2.7优选似然估计48
2.8关联分析49
2.8.1关联规则挖掘51
2.8.2关联规则算法52
2.8.3时序关联规则算法54
2.8.4一维时序关联规则56
2.8.5多维时序关联规则59
2.9数据分析系统的体系架构64
第3章机器学习65
3.1人类的思考过程与机器学习的过程65
3.2机器学习的知识体系67
3.3Python语言的优势68
3.4工业人工智能的有监督学习算法68
3.4.1决策树算法70
决策树算法的应用案例：判断影响打网球的相关因素73
3.4.2回归算法75
3.4.3支持向量机算法80
有监督学习算法的工业应用案例86
3.5工业人工智能的无监督学习算法87
3.5.1聚类算法87
3.5.2自动编码器94
无监督学习算法的工业应用案例95
3.6机器学习的主要挑战及应对方法97
3.6.1机器学习的主要挑战97
3.6.2应对挑战的主要方法100
第4章深度学习103
4.1深度学习的核心103
4.2深度学习的常用网络：卷积神经网络106
4.2.1卷积神经网络的结构107
4.2.2卷积神经网络的关键技术109
4.2.3卷积神经网络的训练112
卷积神经网络的工业应用案例113
4.3深度学习的常用网络：循环神经网络115
4.3.1循环神经网络的结构115
4.3.2循环神经网络的优化117
循环神经网络的工业应用案例120
4.4深度学习的常用网络：受限玻尔兹曼机126
4.4.1受限玻尔兹曼机的分类126
4.4.2受限玻尔兹曼机的训练131
4.5深度学习的常用网络：深度置信网络134
4.5.1深度置信网络的构建134
4.5.2深度置信网络的训练135
深度置信网络的工业应用案例137
4.6深度学习的常用框架143
4.6.1Theano143
4.6.2TensorFlow144
4.6.3Keras146
4.6.4Caffe/Caffe2146
4.6.5MXNet147
4.6.6CNTK148
第5章工业人工智能面临的挑战149
5.1工业人工智能带来的变革149
5.2工业人工智能面临的挑战150
参考文献153