本书以工业大数据的特点和需求为牵引，阐述了工业大数据分析的算法与实现机制，使具有工科背景读者建立起数据思维，灵活利用数据分析算法进行实际问题的建模，并实现分析项目高效迭代与落地。具体主题覆盖了工业大数据分析工程思维和软件栈，工业数据的数据探索，预处理方法和常用机器学习算法，故障诊断、质量优化、流程优化的分析算法，专家规则捕获方法，工业数据分析工程等内容。 本书适合工业大数据分析从业者、工业企业研发技术人员、工业互联网企业数据分析师阅读，可作为面向上述人员的培训教材，也可作为相关专业的学生和教师的参考书。

丛书序一
丛书序二
前言
第1章 工业大数据分析概览
1.1 工业大数据分析的范畴与特点
1.1.1 数据分析的范畴
1.1.2 典型分析主题
1.1.3 工业数据分析的特点
1.1.4 数据分析的典型手段
1.2 数据挖掘的过程方法
1.2.1 CRISP-DM简介
1.2.2 分析课题的执行路径
1.3 数据分析工具软件
1.3.1 脚本语言软件
1.3.2 图形化桌面软件
1.3.3 云端分析软件
1.4 工业大数据分析师的算法修养
1.4.1 分析算法理解的维度与路径
1.4.2 必读图书
1.4.3 分析算法背后的朴素思想
1.4.4 工程化思维
参考文献
第2章 数据预处理
2.1 数据操作基础
2.1.1 数据框的基本操作
2.1.2 数据可视化
2.2 数据分析的数据操作技巧
2.2.1 cumsum等primitive函数的利用：避免循环
2.2.2 带时间戳的数据框合并
2.2.3 时序数据可视化：多个子图共用一个x轴
2.2.4 时序数据可视化：NA用来间隔显示时序
2.2.5 参数区间的对比显示（在概率密度图上）
2.2.6 获取R文件的所在路径
2.2.7 分段线性回归如何通过lm（）实现
2.3 探索型数据分析（EDA）
2.3.1 引言
2.3.2 R语言EDA包
2.3.3 其他工具包
2.3.4 小结
2.4 数据质量问题
2.4.1 数据的业务化
2.4.2 业务的数据化
2.4.3 机理演绎法
2.4.4 细致求实的基本素养
2.4.5 小结
2.5 特征提取
2.5.1 基于数据类型的特征提取
2.5.2 基于关联关系的特征自动生成
2.5.3 基于语法树的变量间组合特征生成
2.6 特征选择
2.6.1 特征选择的框架
2.6.2 搜索策略
2.6.3 子集评价
2.6.4 小结
参考文献
第3章 机器学习算法
3.1 统计分析
3.1.1 概率分布
3.1.2 参数估计
3.1.3 假设检验
3.2 统计分布拟合
……
第4章 时序数据挖掘算法
第5章 其他算法
第6章 工业分析中的典型处理方法
第7章 生产质量数据分析算法
第8章 生产效率优化
第9章 行业知识沉淀方法
第10章 数据分析软件工程