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%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。
　　
　　张晨，工学博士，清华大学副教授、博士生导师。中国运筹学会智能工业数据解析与优化专业委员会理事，中国系统工程学会智能制造系统工程专业委员会、系统可靠性专业委员会委员。主要研究方向为机器学习与工业大数据分析。主持完成国家自然科学基金项目2项、省部级和企业课题10余项，入选中国科协青年人才托举工程项目。发表论文30余篇，研究成果获得美国质量协会、国际工业系统工程协会、电气与电子工程师协会、运筹学和管理学研究协会论文奖，获得教育部科学技术进步奖二等奖1项。

第1章  数学基础 1

1.1  线性代数 1

1.1.1  标量、向量、矩阵和张量 1

1.1.2  线性相关和生成子空间 3

1.1.3  矩阵的特征分解 3

1.1.4  矩阵的奇异值分解 5

1.1.5  范数 6

1.2  概率论和信息论简介 6

1.2.1  概率论 6

1.2.2  信息论 9

1.3  优化算法 13

1.3.1  梯度 13

1.3.2  梯度下降 15

1.3.3  约束优化 17

1.4  信号分析基础 19

1.4.1  信号分析的相关概念 19

1.4.2  信号的分解 23

1.4.3  傅里叶变换 25

1.4.4  小波变换 27

习题 28

第2章  经典机器学习 31

2.1  监督学习 31

2.1.1  线性回归模型 33

2.1.2  逻辑回归算法 38

2.1.3  k近邻法 42

2.1.4  朴素贝叶斯法 43

2.1.5  支持向量机 47

2.1.6  决策树 54

2.2  无监督学习 59

2.2.1  降维 59

2.2.2  聚类 65

习题 72

第3章  深度学习 74

3.1  人工神经网络 74

3.1.1  神经元基础 74

3.1.2  激活函数类型 75

3.1.3  神经网络基础 76

3.1.4  神经网络权值更新 78

3.1.5  其他梯度下降法 82

3.1.6  案例： 神经网络识别数字 84

3.2  卷积神经网络 84

3.2.1  卷积操作 85

3.2.2  卷积层相关概念 86

3.2.3  池化操作 90

3.2.4  平铺及全连接操作 91

3.2.5  卷积神经网络反向传播公式 92

3.2.6  案例：卷积神经网络识别数字 96

3.3  循环神经网络 97

3.3.1  循环神经网络基础 97

3.3.2  循环神经网络传播公式 99

3.3.3  LSTM网络 102

3.3.4  门控循环单元和双向LSTM 104

3.3.5  深度循环神经网络 106

3.3.6  案例：循环神经网络文本预测 106

3.4  生成对抗神经网络 107

3.4.1  对抗神经网络基础 107

3.4.2  对抗神经网络实际操作 110

3.4.3  生成对抗神经网络变体 112

3.4.4  案例：对抗神经网络生成样本 112

3.5  神经网络前沿延伸阅读 114

习题 117

第4章  强化学习 121

4.1  任务与奖励 121

4.2  马尔可夫决策过程 122

4.3  最优策略 128

4.4  免模型学习 129

4.4.1  预备知识：蒙特卡罗方法 129

4.4.2  基于价值的方法 130

4.4.3  基于策略的方法 133

4.5  蒙特卡罗树搜索 135

4.5.1  背景 136

4.5.2  启发式搜索 138

4.5.3  预演算法 139

4.5.4  MCTS算法 140

4.5.5  MCTS示例 143

4.6  深度强化学习 147

4.6.1  深度Q网络 147

4.6.2  近端策略优化 149

4.6.3  延伸阅读：AlphaGo 151

4.6.4  案例：基于深度Q网络的智能小车平衡 153

习题 156

第5章  数据处理相关知识 158

5.1  工业大数据 158

5.1.1  工业大数据背景 158

5.1.2  工业大数据平台 159

5.1.3  工业大数据分析建模方法体系 161

5.1.4  工业大数据平台架构 164

5.1.5  工业大数据分析建模计算框架 166

5.2  数据处理 168

5.2.1  数据清洗 168

5.2.2  数据变换 170

5.2.3  数据降维 172

5.2.4  非平衡数据集的处理 173

5.3  环境配置及代码编程 175

5.3.1  Anaconda平台介绍及环境配置 175

5.3.2  Keras搭建神经网络序贯模型 177

第6章  生产系统相关案例 179

6.1  旋转机械关键部件故障诊断 179

6.1.1  背景介绍 179

6.1.2  案例研究 179

6.1.3  数据预处理 181

6.1.4  齿轮箱振动信号特征参数提取 182

6.1.5  SVM故障分类模型构建 183

6.1.6  结果分析 185

6.1.7  总结 185

6.2  刀具磨损状态评估 185

6.2.1  背景介绍 185

6.2.2  案例研究 186

6.2.3  磨损状态评估模型构建 188

6.2.4  评价指标构建 190

6.2.5  结果分析 191

6.2.6  总结 192

第7章  能源、电信系统相关案例 193

7.1  风力发电机叶片开裂故障诊断 193

7.1.1  背景介绍 193

7.1.2  问题描述 193

7.1.3  数据预处理 194

7.1.4  评价指标 195

7.1.5  故障诊断方法 196

7.1.6  结果分析 197

7.1.7  总结 198

7.2  基于深度强化学习的核电站维修决策 198

7.2.1  背景介绍 198

7.2.2  问题描述 199

7.2.3  仿真环境搭建 200

7.2.4  评价指标 201

7.2.5  PPO算法 202

7.2.6  结果分析 204

7.2.7  总结 204

7.3  5G通信数据下行传输速率预测 205

7.3.1  问题背景 205

7.3.2  数据介绍 205

7.3.3  数据预处理 205

7.3.4  模型构建 206

7.3.5  结果分析 207

7.3.6  总结 207

第8章  交通系统相关案例 208

8.1  高速列车车轮健康状态监测 208

8.1.1  背景介绍 208

8.1.2  数据预处理 208

8.1.3  监测方法 211

8.1.4  结果分析 212

8.1.5  总结 213

8.2  航天装备的结构振动预测 213

8.2.1  背景介绍 213

8.2.2  问题描述 214

8.2.3  数据预处理 214

8.2.4  评价指标 216

8.2.5  振动预测方法 217

8.2.6  结果分析 219

8.2.7  总结 219

8.3  城市公共交通系统的客流预测 221

8.3.1  背景介绍 221

8.3.2  数据描述 222

8.3.3  数据预处理 222

8.3.4  评价指标 224

8.3.5  模型构建 224

8.3.6  结果分析 226

8.3.7  总结 227