当前我国工业已进入高质量发展阶段，对于熟练运用机器学习方法开展工业大数据分析的人才需求旺盛。机械、电子、电气等工程类以及管理类专业的学生普遍缺乏这方面的训练，而计算机类教材往往不针对工业门类的实际系统聚焦。本书的编撰旨在解决上述矛盾。
本书分为两大部分：前半部分介绍基础知识、经典机器学习以及深度学习和强化学习方法；后半部分介绍数据处理相关知识以及十余个工业应用案例。本书还附带了案例源代码。通过对本书的学习，希望读者从原理、方法到应用融会贯通，全方位地理解并掌握机器学习这一工业大数据分析的重要方法。
本书可作为机械工程、工业工程、电子工程、电气工程等工科专业及管理学专业高年级本科生或研究生相关课程的教材，也可作为科研院所、企业技术人员的参考书。

李彦夫，工学博士，清华大学长聘教授，清华大学质量与可靠性研究院院长。2011-2016年任教于法国巴黎中央理工与高等电力学院。长期致力于系统可靠性、预测性维护（PdM）理论与方法的研究。在国际知名期刊发表论文100余篇，其中ESI高被引6篇，2019-2022年连续入选爱思唯尔中国高被引学者榜单，2020-2021年连续入选美国斯坦福大学发布的全球前2％顶尖科学家榜单。出版专著2部、教材2部，授权发明专利11项。主持国家自然科学基金重点项目、国家重点研发计划课题以及市场监管总局委托项目。与华为、南方电网等企业长期合作，多项研究成果获得企业应用。获中国运筹学会应用奖、省部级科技进步奖二等奖各1项。担任可靠性旗舰期刊Reliability Engineering & Systems Safety 和IEEE Transactions on Reliability副主编、中国系统工程学会系统可靠性专委会副主任委员。

第1章 数学基础
1.1 线性代数
1.1.1 标量、向量、矩阵和张量
1.1.2 线性相关和生成子空间
1.1.3 矩阵的特征分解
1.1.4 矩阵的奇异值分解
1.1.5 范数
1.2 概率论和信息论简介
1.2.1 概率论
1.2.2 信息论
1.3 优化算法
1.3.1 梯度
1.3.2 梯度下降
1.3.3 约束优化
1.4 信号分析基础
1.4.1 信号分析的相关概念
1.4.2 信号的分解
1.4.3 傅里叶变换
1.4.4 小波变换
习题
第2章 经典机器学习
2.1 监督学习
2.1.1 线性回归模型
2.1.2 逻辑回归算法
2.1.3 κ近邻法
2.1.4 朴素贝叶斯法
2.1.5 支持向量机
2.1.6 决策树
2.2 无监督学习
2.2.1 降维
2.2.2 聚类
习题
第3章 深度学习
3.1 人工神经网络
3.1.1 神经元基础
3.1.2 激活函数类型
3.1.3 神经网络基础
3.1.4 神经网络权值更新
3.1.5 其他梯度下降法
3.1.6 案例：神经网络识别数字
3.2 卷积神经网络
3.2.1 卷积操作
3.2.2 卷积层相关概念
3.2.3 池化操作
3.2.4 平铺及全连接操作
3.2.5 卷积神经网络反向传播公式
3.2.6 案例：卷积神经网络识别数字
3.3 循环神经网络
3.3.1 循环神经网络基础
3.3.2 循环神经网络传播公式
3.3.3 LSTM网络
3.3.4 门控循环单元和双向LSTM
3.3.5 深度循环神经网络
3.3.6 案例：循环神经网络文本预测
3.4 生成对抗神经网络
3.4.1 对抗神经网络基础
3.4.2 对抗神经网络实际操作
3.4.3 生成对抗神经网络变体
3.4.4 案例：对抗神经网络生成样本
3.5 神经网络前沿延伸阅读
习题
第4章 强化学习
4.1 任务与奖励
4.2 马尔可夫决策过程
4.3 最优策略
4.4 免模型学习
4.4.1 预备知识：蒙特卡罗方法
4.4.2 基于价值的方法
4.4.3 基于策略的方法
4.5 蒙特卡罗树搜索
4.5.1 背景
4.5.2 启发式搜索
4.5.3 预演算法
4.5.4 MCTS算法
4.5.5 MCTS示例
4.6 深度强化学习
4.6.1 深度Q网络
4.6.2 近端策略优化
4.6.3 延伸阅读：AlphaGo
4.6.4 案例：基于深度Q网络的智能小车平衡
习题
第5章 数据处理相关知识
5.1 工业大数据
5.1.1 工业大数据背景
5.1.2 工业大数据平台
5.1.3 工业大数据分析建模方法体系
5.1.4 工业大数据平台架构
5.1.5 工业大数据分析建模计算框架
5.2 数据处理
5.2.1 数据清洗
5.2.2 数据变换
5.2.3 数据降维
5.2.4 非平衡数据集的处理
5.3 环境配置及代码编程
5.3.1 Anaconcla平台介绍及环境配置
5.3.2 Keras搭建神经网络序贯模型
第6章 生产系统相关案例
6.1 旋转机械关键部件故障诊断
6.1.1 背景介绍
6.1.2 案例研究
6.1.3 数据预处理
6.1.4 齿轮箱振动信号特征参数提取
6.1.5 SVM故障分类模型构建
6.1.6 结果分析
6.1.7 总结
6.2 刀具磨损状态评估
6.2.1 背景介绍
6.2.2 案例研究
6.2.3 磨损状态评估模型构建
6.2.4 评价指标构建
6.2.5 结果分析
6.2.6 总结
第7章 能源、电信系统相关案例
7.1 风力发电机叶片开裂故障诊断
7.1.1 背景介绍
7.1.2 问题描述
7.1.3 数据预处理
7.1.4 评价指标
7.1.5 故障诊断方法
7.1.6 结果分析
7.1.7 总结
7.2 基于深度强化学习的核电站维修决策
7.2.1 背景介绍
7.2.2 问题描述
7.2.3 仿真环境搭建
7.2.4 评价指标
7.2.5 PPO算法
7.2.6 结果分析
’7.2.7 总结
7.35 G通信数据下行传输速率预测
7.3.1 问题背景
7.3.2 数据介绍
7.3.3 数据预处理
7.3.4 模型构建
7.3.5 结果分析
7.3.6 总结
第8章 交通系统相关案例
8.1 高速列车车轮健康状态监测
8.1.1 背景介绍
8.1.2 数据预处理
8.1.3 监测方法
8.1.4 结果分析
8.1.5 总结
8.2 航天装备的结构振动预测
8.2.1 背景介绍
8.2.2 问题描述
8.2.3 数据预处理
8.2.4 评价指标
8.2.5 振动预测方法
8.2.6 结果分析
8.2.7 总结
8.3 城市公共交通系统的客流预测
8.3.1 背景介绍
8.3.2 数据描述
8.3.3 数据预处理
8.3.4 评价指标
8.3.5 模型构建
8.3.6 结果分析
8.3.7 总结
第9章 医疗系统相关案例
9.1 糖尿病患者的血糖预测
9.1.1 背景介绍
9.1.2 问题描述
9.1.3 数据预处理
9.1.4 评价指标
9.1.5 血