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。

目录／Contents

第1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