新書推薦：
《
大学问·明清江南的环境变动与社会控制
》
售價：HK$
140.8
《
生命之树
》
售價：HK$
107.8
《
大规模语言模型：从理论到实践（第2版）
》
售價：HK$
151.8
《
老舍的写作课（重点一目了然，让写作有章可循！）
》
售價：HK$
43.8
《
竞争法解读与应用（法律法规新解读·全新升级第5版）
》
售價：HK$
39.6
《
梁思成眼中的中国雕塑史
》
售價：HK$
74.8
《
埃及大历史：“笔与剑奖”获得者伯纳德·卢甘力作，俯瞰神秘王朝的权力角逐
》
售價：HK$
64.9
《
意大利马克思主义史
》
售價：HK$
173.8
|
| 編輯推薦： |
|
本书遵循教指委相关指导文件和高等院校学生学习规律编写而成。践行四新理念，融入思政元素，注重理论与实践相结合。
|
| 內容簡介： |
|
本书以智能制造为载体，以数据挖掘技术为主线，系统地介绍了智能制造中的大数据分析技术与应用，不仅涵盖了数据分析与挖掘的基础理论，还通过引入不同制造业领域的案例，使抽象的理论知识具体化，便于读者理解。全书共8章，第1～3章从工业制造过程的基本概念和大数据分析需求出发，介绍数据分析的理论框架、数据基本知识和数据预处理技术；第4～8章深入数据挖掘与分析技术，涵盖频繁模式挖掘、聚类分析、分类分析和回归分析，并以实际工业案例展示技术应用。 本书可作为自动化、计算机、智能制造等专业大数据分析相关课程的教材，也适合作为相关领域研究人员和从业人员的参考书籍。 本书配有PPT课件、教学大纲、习题答案、实验项目等教学资源，欢迎选用本书作教材的教师登录www.cmpedu.com注册后下载，或发邮件至jinacmp@163.com索取。
|
| 目錄：
|
|
第1章 智能制造大数据概述 11.1 工业制造过程概述 11.1.1 工业制造过程的基本概念 11.1.2 制造业发展阶段 31.1.3 制造业发展战略 51.2 智能制造的基本概念 61.2.1 智能制造的定义 61.2.2 智能制造的发展历程 61.2.3 智能制造的发展方向 71.3 工业大数据的基本概念 81.3.1 工业大数据的定义 91.3.2 工业大数据的来源与类型 91.3.3 工业大数据的特征 111.3.4 工业大数据的采集 121.4 智能制造大数据分析需求与流程 141.4.1 智能制造大数据分析需求 141.4.2 智能制造大数据分析流程 15本章小结 17思考题与习题 17参考文献 17第2章 数据基本知识 192.1 数据的基本概念 192.1.1 标称属性 202.1.2 序数属性 202.1.3 数值属性 212.1.4 连续属性与离散属性 212.2 数据的基本统计描述 212.2.1 中心趋势度量 222.2.2 离散趋势度量 232.3 数据的可视化描述 252.4 数据的相似性和相异性 302.4.1 相似性和相异性度量的基本概念 302.4.2 数值属性的相似性和相异性度量 302.4.3 标称属性的相似性和相异性度量 342.5 相关关系与因果关系 382.5.1 相关关系分析 382.5.2 因果关系分析 42本章小结 43思考题与习题 44参考文献 45第3章 数据预处理 463.1 工业数据质量 463.1.1 数据质量特性及问题 463.1.2 数据预处理的主要任务 483.2 数据清洗 493.2.1 缺失值填补 493.2.2 噪声清洗 513.2.3 异常值清洗 553.2.4 格式内容清洗 573.2.5 逻辑错误清洗 583.3 数据集成 583.3.1 实体识别问题 583.3.2 冗余问题 593.3.3 数据冲突问题 593.4 数据归约 603.4.1 维归约 603.4.2 数量归约 643.5 数据变换 673.5.1 数据规范化 673.5.2 数据离散化 69本章小结 70思考题与习题 70参考文献 72第4章 频繁模式挖掘 734.1 频繁模式挖掘的基本概念 734.1.1 项与项集、事务、事务数据库 734.1.2 模式支持度与频繁模式 754.2 频繁项集挖掘 764.2.1 Apriori算法 764.2.2 FP-Growth算法 784.2.3 垂直数据结构算法 844.2.4 模式压缩 864.3 关联规则挖掘 904.3.1 关联规则的产生 904.3.2 关联规则的评估 924.4 序列模式挖掘 964.4.1 序列模式挖掘的基本概念 974.4.2 PrefixSpan算法 97本章小结 100思考题与习题 100参考文献 102第5章 聚类分析 1045.1 聚类分析的基本概念 1045.1.1 聚类分析的概念与作用 1045.1.2 聚类算法的性能要求 1065.2 划分聚类方法 1075.2.1 K-means算法 1085.2.2 K-means++算法 1115.2.3 K-medoids算法 1145.3 层次聚类方法 1185.3.1 算法的距离度量方法 1195.3.2 凝聚的与分裂的层次聚类 1205.4 基于密度的聚类方法 1255.5 聚类分析性能评估 1315.6 实例 133本章小结 137思考题与习题 137参考文献 139第6章 分类分析 1406.1 分类分析的基本概念 1406.1.1 分类分析的基本原理 1416.1.2 主要分类方法 1416.2 决策树 1426.2.1 决策树的基本原理 1426.2.2 属性选择度量 1456.2.3 树剪枝 1476.2.4 决策树算法 1486.3 支持向量机 1546.3.1 支持向量机的基本原理 1546.3.2 支持向量机求解 1576.4 人工神经网络 1606.4.1 人工神经网络拓扑 1606.4.2 反向传播过程 1616.5 贝叶斯分类 1666.5.1 贝叶斯分类的基本原理 1666.5.2 朴素贝叶斯分类 1676.6 分类模型的评价与选择 1706.6.1 分类器的评价方法 1706.6.2 分类器的评价指标 1716.6.3 分类器的选择方法 1746.7 组合分类技术 1766.7.1 组合分类方法简介 1776.7.2 装袋算法 1776.7.3 提升算法 1786.8 实例 180本章小结 184思考题与习题 184参考文献 187第7章 回归分析 1897.1 回归分析的基本概念 1897.1.1 导引 1897.1.2 回归分析的主要步骤 1907.2 线性回归 1947.2.1 线性回归模型 1947.2.2 最小二乘估计 1947.2.3 加权最小二乘估计 1977.2.4 极大似然估计 1987.3 高维回归系数压缩 2007.3.1 共线性的来源及影响 2007.3.2 岭回归 2027.3.3 LASSO回归 2057.3.4 主成分回归 2067.3.5 偏最小二乘回归 2077.4 非线性回归 2087.4.1 非线性回归模型 2087.4.2 非线性最小二乘 2097.4.3 支持向量回归 2117.5 回归模型的评估 2147.5.1 残差分析 2147.5.2 拟合效果度量 216本章小结 217思考题与习题 217参考文献 218第8章 工业应用实例 2208.1 高炉炼铁基本原理 2208.1.1 高炉炼铁的背景与工艺原理 2218.1.2 高炉操作对高炉状态的影响 2228.1.3 所使用高炉相关数据介绍 2228.2 高炉数据预处理 2248.2.1 高炉数据特性分析 2248.2.2 高炉数据去噪处理 2248.2.3 高炉数据规范化 2268.3 高炉参数的相关性分析 2268.3.1 高炉操作参数间的相关性分析 2268.3.2 高炉操作参数与状态参数间的相关性分析 2278.3.3 高炉参数的自相关性分析 2278.4 高炉操作参数状态聚类与炉况划分 2288.5 基于分类分析的异常炉况诊断 2318.6 高炉煤气利用率拟合与预测 2338.6.1 最小二乘回归分析 2338.6.2 支持向量回归分析 234本章小结 238参考文献 238
|
| 內容試閱：
|
|
如今，智能制造和人工智能的迅猛发展，正引领着全球制造业的深刻变革。随着新一代人工智能技术的不断进步，智能制造已经成为推动工业革命的核心力量。大数据分析技术在这一进程中发挥着不可或缺的作用，它对传统制造业的颠覆性影响，为制造业的智能化升级提供了强大的动力。正是基于这样的背景，我们编写了本书，旨在为读者提供一个全面、深入的视角，方便读者理解和掌握智能制造中大数据分析的理论和实践。 本书以智能制造为载体，以数据挖掘技术为主线，系统地介绍了智能制造中的大数据分析技术与应用，不仅涵盖了数据分析与挖掘的基础知识，还深入探讨了数据挖掘技术在智能制造中的应用。书中内容紧密结合实际，通过引入来自钢铁、化工等不同制造业领域的案例，使抽象的理论知识具体化、形象化，便于读者理解。此外，本书还特别强调了数据分析方法的实用性和操作性，以期读者能够应用所学知识解决实际问题。 作为一本专业教材，本书主要适用于本科阶段的专业课教学。我们希望本书能够成为自动化、计算机、智能制造、数据科学与大数据技术、物联网工程等相关专业学生的教材，帮助他们系统地学习智能制造大数据分析的理论和方法，培养他们的数据分析能力和解决实际问题的能力。本书内容的安排既考虑了教学的系统性，也兼顾了知识的前沿性，确保学生能够在掌握基础的同时，了解和掌握大数据与人工智能最新的技术动态。同时，本书也适合作为相关领域研究人员和从业人员的参考书籍。 本书的编写过程是一个不断学习和探索的过程。在这一过程中，我们深入研究了智能制造和大数据领域的最新理论和技术，广泛参考了国内外的研究成果和实践经验。我们努力将这些理论和技术融入书中，使之既有理论的深度，又有实践的广度。同时，我们也注重本书的可读性和易用性，力求使每一章节的内容都能够清晰、准确地传达给读者。 第1～3章从工业制造过程的基本概念和大数据分析需求出发，介绍数据处理分析的理论框架、数据基本知识和数据预处理技术。第1章智能制造大数据概述，结合制造业的发展历程与智能制造的转型升级需求，介绍了智能制造和大数据分析的基本概念，帮助读者了解相关基础知识。第2章数据基本知识，概述了数据属性，介绍了数据的统计描述、可视化和相关性分析，帮助读者把握数据的总体特征。第3章数据预处理，探讨了工业数据的质量特性和常见问题，详细介绍了数据清洗、集成、归约和变换技术，为后续分析打下坚实基础。 第4～8章深入数据挖掘与分析技术，涵盖频繁模式挖掘、聚类分析、分类分析、回归分析，并以实际案例展示技术应用。第4章频繁模式挖掘，介绍了频繁模式挖掘的基本概念，深入讲解了频繁项集挖掘、关联规则挖掘和序列模式挖掘，以揭示数据中隐藏的模式和规则。第5章聚类分析，从聚类的基本理论出发，介绍了基于划分、层次和密度的聚类方法。第6章分类分析，介绍了分类分析的基本概念和步骤，以及决策树、支持向量机、人工神经网络、朴素贝叶斯等分类模型，并讨论了分类模型的评价方法。第7章回归分析，介绍了回归分析的基本概念和最小二乘法，以及多重共线性问题的解决方法，并探讨了非线性问题和模型验证。第8章工业应用实例，通过钢铁产业中的高炉生产过程案例，展示了如何将书中介绍的数据分析方法应用于实际工业生产。每一章都旨在通过理论与实践的结合，培养读者在智能制造领域的数据分析能力。 本书是在中国地质大学（武汉）吴敏教授牵头负责的战略性新兴领域“十四五”高等教育系列教材体系建设团队—“智能装备制造（工业互联网与智能制造）”团队的指导下，由中国地质大学（武汉）自动化学院的胡文凯、丁敏、徐达、安剑奇四位老师共同编写。其中，胡文凯主要负责了第1～4章的编写；丁敏主要负责了第5章和第6章的编写；徐达主要负责了第7章的编写；安剑奇主要负责了第8章的编写。 在编写本书的过程中，我们参考了大量的相关文献和资料，力求使书中内容准确并具前沿性。然而，由于智能制造和大数据技术发展迅速，加之编者水平有限，书中难免会有疏漏和不足之处。我们诚挚地希望广大读者能够提出宝贵的意见和建议，以便不断改进和完善。 最后，我们要感谢所有参与本书审阅的专家、学者和学生，他们的智慧和努力为本书的完成做出了重要贡献。同时，我们也要感谢所有使用本书的学生和教师，我们期待这本书能够成为智能制造大数据分析领域的经典之作，为培养高素质的智能制造人才做出应有的贡献。 编 者
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
