1 概率論基礎 1.1概率 1.1.1條件概率 1.1.2全概率公式 1.1.3獨立事件 1.2隨機變量 1.2.1離散隨機變量 1.2.1連續(xù)隨機變量 1.3馬爾科夫鏈 1.3.1馬爾科夫決策過程 1.3.2隱馬爾科夫鏈 1.4排隊模型 1.4.1排隊理論 1.4.2排隊網(wǎng)絡 1.5可靠性理論 2 數(shù)理統(tǒng)計基礎 2.1基本概念 2.1.1總體、個體、樣本 2.1.2統(tǒng)計量和充分統(tǒng)計量 2.1.3統(tǒng)計模型 2.1.4統(tǒng)計推斷 2.1.5經(jīng)驗分布函數(shù) 2.1.6特征函數(shù) 2.2參數(shù)估計 2.2.1點估計 2.2.2區(qū)間估計 2.3假設檢驗 2.3.1正態(tài)總體參數(shù)的假設檢驗 2.3.2 Pearson檢驗法 2.3.3似然比檢驗 3 數(shù)據(jù)分析方法基礎 3.1回歸分析 3.1.1一元線性回歸 3.1.2多元線性回歸 3.1.3非線性回歸 3.2方差分析與正交試驗設計 3.2.1方差分析 3.2.2正交試驗設計 3.3判別分析 3.3.1 Bayes判別 3.3.2 Fisher判別 3.4相關分析 3.4.1主成分分析 3.4.2因子分析 3.4.3典型相關分析 3.5時間序列分析 3.6優(yōu)化建�；�礎 4 數(shù)據(jù)挖掘與數(shù)據(jù)分析 4.1概述 4.1.1什么是數(shù)據(jù)挖掘？ 4.1.2數(shù)據(jù)挖掘任務 4.1.3數(shù)據(jù)挖掘系統(tǒng)的分類 4.1.4數(shù)據(jù)挖掘在工業(yè)中的應用 4.2數(shù)據(jù) 4.2.1數(shù)據(jù)的類型 4.2.2數(shù)據(jù)的質(zhì)量 4.2.3數(shù)據(jù)預處理 4.2.4數(shù)據(jù)的相異度和相似度 4.3分類分析 4.3.1分類的定義 4.3.2分類的步驟 4.3.3分類算法 4.3.4應用案例 4.4聚類分析 4.4.1理論簡介 4.4.2相似性計算 4.4.3主要聚類方法的分類 4.4.4聚類算法 4.4.5應用案例 4.5關聯(lián)分析 4.5.1關聯(lián)分析基本原理 4.5.2關聯(lián)分析核心算法 4.5.3應用案例 5 經(jīng)典機器學習算法 5.1多元線性回歸 5.1.1多元線性回歸概論 5.1.2最小二乘法求解多元線性回歸 5.1.3多元線性模型的檢驗 5.1.4 應用案例 5.2支持向量機 5.2.1支持向量機基本原理 5.2.2支持向量機算法流程 5.2.3支持向量回歸機 5.2.4應用案例 5.3人工神經(jīng)網(wǎng)絡 5.3.1神經(jīng)元 5.3.2人工神經(jīng)網(wǎng)絡模型 5.3.3人工神經(jīng)網(wǎng)絡的結構 5.3.4學習過程 5.3.5應用案例 5.4決策樹 5.4.1決策樹的基本原理 5.4.2劃分的選擇 5.4.3剪枝處理 5.4.4決策樹算法的主要特點 5.4.5應用案例：Web爬蟲檢測 5.5隨機森林 5.5.1隨機森林概論 5.5.2隨機森林的構建過程 5.5.3隨機森林的隨機性分析 5.5.4隨機森林算法的改進 5.5.5應用案例 5.6案例推理 5.6.1 CBR的學習機制 5.6.2 CBR的循環(huán)處理模型 5.6.3 CBR的優(yōu)勢與不足 5.6.4 應用案例 5.7Boosting和AdaBoost 5.7.1 Adaboost算法概論 5.7.2 Adaboost算法的不同理論分析模型 5.7.3多分類的Adaboost算法 5.7.4 Adaboost算法的改進 5.7.5 應用案例 5.8遺傳算法 5.8.1遺傳算法的特點 5.8.2遺傳算法基本概念與術語 5.8.3遺傳算法基本操作 5.8.4應用案例 5.9模擬退火算法 5.9.1模擬退火算法原理 5.9.2模擬退火算法流程 5.9.3應用案例 5.10粒子群優(yōu)化算法 5.10.1粒子群優(yōu)化算法原理 5.10.2粒子群優(yōu)化算法流程 5.10.3應用案例 6 前沿人工智能算法 6.1深度學習 6.1.1深度學習的發(fā)展歷程 6.1.2深度學習和傳統(tǒng)機器學習的差異 6.1.3深度學習典型網(wǎng)絡介紹 6.1.4應用案例 6.2深度強化學習 6.2.1強化學習 6.2.2深度強化學習模型算法介紹 6.2.3應用案例 6.3生成式對抗神經(jīng)網(wǎng)絡 6.3.1生成式對抗神經(jīng)網(wǎng)絡的基本結構及原理 6.3.2生成式對抗神經(jīng)網(wǎng)絡的衍生模型 6.3.3應用案例 6.4多模態(tài)學習 6.4.1多模態(tài)學習的定義 6.4.2多模態(tài)學習的基本準則 6.4.3多模態(tài)學習技術 6.4.4多模態(tài)學習的相關算法 6.4.5應用案例 6.5遷移學習 6.5.1遷移學習基本原理 6.5.2遷移學習類型劃分 6.5.3深度遷移學習 6.5.4相似性度量準則 6.5.5應用案例 7 工業(yè)應用案例 7.1鋼鐵生產(chǎn)過程作業(yè)計劃優(yōu)化 7.1.1研究背景及意義 7.1.2問題描述 7.1.3模型及求解 7.1.4案例分析 7.2煉鋼過程鋼水溫度預測 7.2.1研究背景及意義 7.2.2問題描述 7.2.3模型及求解 7.2.4案例分析 7.3高效板坯連鑄結晶器漏鋼預報 7.3.1研究背景及意義 7.3.2問題描述 7.3.3模型及求解 7.3.4案例分析 7.4鋼鐵流程靜態(tài)能量流網(wǎng)絡數(shù)學建模及求解 7.4.1研究背景及意義 7.4.2問題描述 7.4.3模型及求解 7.4.4案例分析 7.5鋼鐵企業(yè)能量流網(wǎng)絡動態(tài)運行優(yōu)化 7.5.1研究背景及意義 7.5.2問題描述 7.5.3模型及求解 7.5.4案例分析 7.6煉鋼車間天車智能動態(tài)調(diào)度 7.6.1研究背景及意義 7.6.2問題描述 7.6.3模型及求解 7.6.4案例分析 7.7轉爐工序終點預測和控制優(yōu)化 7.7.1研究背景及意義 7.7.2問題描述 7.7.3模型及求解 7.7.4案例分析 8 代碼實現(xiàn) 8.1分類分析 8.2聚類分析 8.3關聯(lián)分析 8.4多元線性回歸 8.5支持向量機 8.6人工神經(jīng)網(wǎng)絡 8.7決策樹 8.8隨機森林 8.9案例推理 8.10 Boosting和AdaBoost 8.11遺傳算法 8.12模擬退火 8.13粒子群優(yōu)化算法 參考文獻