全书共分11章。第1章大数据概述，对大数据的特征、发展历程，与可靠性工程中对数据分析的需求进行了描述；第2章大数据与数据挖掘，介绍了数据挖掘技术，及大数据条件下数据挖掘技术的新前沿研究：第3章大数据在可靠性工程中的应用，介绍了传统数据分析方法在可靠性工程中的运用，与大数据分析方法在可靠性工程中的应用前景：第4章故障的关联规则分析方法，介绍如何利用关联规则挖掘故障与故障、故障与故障征兆之间的关联关系：第5章故障／健康监控的时间序列模式分析方法，利用时序特性分析方法，揭示产品故障的时间序列特性：第6章基于故障多状态集的序列模式挖掘，针对故障多态的特性，提出多状态集序列模式挖掘方法；第7章故障信息聚类分析，利用聚类分析的基本思想，开展故障分类研究：第8章基于粗糙集理论的故障因素分析方法，介绍了利用粗糙集模型对数据集中的缺失数据、噪声数据和错误数据的处理：第9章经典因子分析和回归分析方法，介绍了多元线性回归与非线性回归，及其在健康评估中的应用：第10章高维数据回归预测分析，介绍了高维数据环境条件下，预测模型的回归建模方法：第11章可靠性工程中的非参数统计，利用非参数统计方法实现对数据总体性质的统计估计或假设检验。
　　《可靠性工程中的大数据分析》可作为工科硕士研究生数据分析类课程的基础教材，也可以作为对大数据分析问题感兴趣的各专业高年级学生的参考教材，还可以作为管理、经济、生物、工程、心理、医疗等科研人员的参考读物。

第1章 大数据概述
1．1 什么是大数据
1．1．1 大数据的定义及特征
1．1．2 大数据结构类型
1．1．3 大数据实例
1．2 大数据发展历程
1．3 大数据分析
1．4 可靠性工程中的数据分析
1．5 相关技术及工具
1．5．1 Hadoop介绍
1．5．2 R软件介绍
1．5．3 AMPL/CPLEX软件介绍
1．5．4 Clementine介绍
1．5．5 其他大数据处理工具

第2章 大数据与数据挖掘
2．1 数据管理与数据仓库
2．1．1 数据、信息和知识
2．1．2 数据爆炸
2．1．3 数据仓库
2．1．4 云计算与云存储
2．2 数据挖掘概述
2．2．1 数据挖掘的历史、功能和目的
2．2．2 数据挖掘的内涵和基本特征
2．2．3 数据挖掘与统计学
2．2．4 数据挖掘的一般过程
2．3 基于数据挖掘的模式识别
2．3．1 探索性数据分析
2．3．2 数据挖掘与机器学习
2．3．3 数据挖掘与智能决策
2．3．4 数据挖掘与神经网络
2．4 大数据条件下的数据挖掘技术的最新前沿研究
2．4．1 数据挖掘的可视化
2．4．2 基于云技术的数据挖掘
2．4．3 语音数据挖掘
2．4．4 图像数据挖掘
2．4．5 文本数据挖掘

第3章 大数据在可靠性工程中的应用
3．1 传统数据分析方法
3．1．1 基于概率统计的分析方法
3．1．2 基于时间维度的分析方法
3．1．3 基于失效物理的分析方法
3．1．4 传统分析方法的优势与局限
3．2 大数据分析的特点
3．2．1 数据全体VS数据样本
3．2．2 非结构化数据vs结构化数据
3．2．3 关联分析VS因果分析
3．3 大数据分析揭示故障规律
3．3．1 可靠性工程中的数据
3．3．2 故障激发因素的复杂性
3．3．3 可靠性工程大数据分析前景

第4章 故障的关联规则分析
4．1 关联规则的基本知识
4．1．1 关联规则的定义、相关概念与一般过程
4．1．2 频繁模式发现
4．1．3 Apriori相关算法
4．1．4 FP-growth算法
4．1．5 应用及案例
4．2 动态关联规则挖掘
4．2．1 问题描述及需求
4．2．2 动态关联规则新定义
4．2．3 动态关联规则挖掘算法
4．2．4 动态决策规则
4．3 基于相关兴趣度的关联规则挖掘
……
第5章 故障／健康监控的时间序列模式分析
第6章 基于故障多状态集的序列模式挖掘
第7章 故障信息聚类分析
第8章 基于粗糙集理论的故障因素分析
第9章 因子分析及回归分析
第10章 高维数据回归预测分析
第11章 可靠性工程中的非参数统计
参考文献