當大數據遇見物聯網：智能決策解決之道（簡體書）

本書詳細闡述了與大數據、物聯網、決策科學開發相關的基本解決方案，主要包括物聯網和決策科學、物聯網體系結構和用例設計、決策科學在物聯網中的應用、機器學習、預測性分析等內容。此外，本書還提供了相應的示例、代碼，以幫助讀者進一步理解相關方案的實現過程。 本書適合作為高等院校計算機及相關專業的教材和教學參考書，也可作為相關開發人員的自學教材和參考手冊。

目 錄
第1章 物聯網和決策科學 1
1.1 瞭解物聯網 2
1.2 揭秘M2M、物聯網、工業物聯網和萬物互聯 3
1.3 深入挖掘物聯網的邏輯堆棧 5
1.3.1 人 6
1.3.2 流程 7
1.3.3 物 8
1.3.4 數據 9
1.4 問題的生命週期 9
1.5 問題的全貌 12
1.6 解決問題的技術 17
1.6.1 跨學科方法 18
1.6.2 問題的體系 18
1.7 問題解決框架 20
1.8 小結 23
第2章 物聯網問題體系研究和用例設計 25
2.1 資產互聯和運營互聯 25
2.1.1 物與智能之物的互聯 26
2.1.2 一個現實生活的場景：資產互聯 28
2.1.3 運營互聯―下一場革命 30
2.2 解析商業用例 32
2.2.1 解析問題 33
2.2.2 研究和收集背景信息 34
2.2.3 根據數據可用性對假設優先排序和構建 38
2.2.4 驗證和改進假設（重複步驟（2）和（3）） 39
2.2.5 吸收結果並呈現解決方案 40
2.3 感知相關的潛在問題 41
2.4 設計啟發法驅動的假設矩陣 41
2.5 小結 42
第3章 探索性決策科學在物聯網中的應用內容和原因 45
3.1 識別有用數據做出決策 45
3.1.1 查驗假設的數據來源 46
3.1.2 解決問題時的數據探查工作 47
3.1.3 特徵探索 57
3.1.4 瞭解數據全貌 58
3.2 通過數據（單變量）探索物聯網生態系統各個維度 61
3.2.1 數據顯示了什麼 61
3.2.2 探索先前產品…… 66
3.2.3 本節小結 72
3.3 研究數據關係 72
3.3.1 相關性是什麼 73
3.3.2 探索階段1的數據維度 78
3.4 探索性數據分析 84
3.4.1 那麼，應該如何驗證發現 85
3.4.2 假設檢驗是如何起作用的 85
3.4.3 驗證假設―類別1 87
3.4.4 卡方檢驗的原理是什麼 87
3.4.5 驗證假設―類別2 91
3.4.6 驗證假設―類別3 96
3.4.7 假設―類別4 100
3.4.8 探索性數據分析階段小結 102
3.5 根本原因分析 102
3.5.1 綜合結果 103
3.5.2 可視化洞見 105
3.5.3 將故事拼接形成完整的解決方案 106
3.5.4 結論 107
3.6 小結 108
第4章 預測性分析在物聯網中的應用 109
4.1 重新探查問題―接下來是什麼 109
4.2 線性回歸―預測連續結果 111
4.2.1 預測性分析拉開序幕 111
4.2.2 解決預測問題 111
4.2.3 解釋回歸結果 115
4.2.4 殘差、多元R平方、殘差標準誤差和修正後的R平方 118
4.2.5 改進預測模型 119
4.3 決策樹 127
4.3.1 瞭解決策樹 128
4.3.2 用決策樹進行預測建模 133
4.4 Logistic回歸―預測一個分類結果 142
4.4.1 什麼是Logistic回歸 143
4.4.2 Logistic回歸是如何工作的 144
4.4.3 扼要概述模型的解釋 154
4.4.4 改進分類模型 154
4.5 小結 167
第5章 利用機器學習增強物聯網預測性分析 169
5.1 機器學習簡介 169
5.1.1 什麼是集成建模 170
5.1.2 為什麼要選擇集成模型 170
5.1.3 一個集成模型究竟是如何工作的 171
5.2 集成建模―隨機森林 174
5.2.1 什麼是隨機森林 174
5.2.2 如何在R語言中構建隨機森林 176
5.3 集成建模―XGBoost 186
5.4 神經網絡與深度學習 193
5.5 匯總結果 208
5.5.1 快速回顧 208
5.5.2 從預測建模練習取得的結果 209
5.5.3 需要注意的幾點 209
5.6 小結 209
第6章 決策科學結合物聯網的分析速成 211
6.1 搭建問題的背景信息 211
6.1.1 真正的問題 212
6.1.2 接下來做什麼 212
6.2 解析問題並設計方法 213
6.2.1 構建一個SCQ（即情景-衝突-疑問）方案 213
6.2.2 研究 213
6.2.3 太陽能領域的背景信息 215
6.2.4 設計方法 216
6.2.5 研究數據全貌 217
6.3 探索性數據分析與特徵工程 218
6.3.1 能量消耗和能量產生相比結果如何 224
6.3.2 電池 228
6.3.3 負載 230
6.3.4 逆變器 232
6.3.5 從數據探索練習中學習 233
6.3.6 簡單概括所有的發現和學習收穫 233
6.3.7 解決問題 234
6.3.8 特徵工程 235
6.4 構建用例的預測模型 242
6.5 匯總解決方案 249
6.6 小結 249
第7章 規範性科學與決策 251
7.1 應用一種分層方法和各種測試控制方法戰勝業務問題 251
7.1.1 規範性分析的定義 251
7.1.2 解決一個規範性分析用例 253
7.1.3 用規範性的方式去解決用例 261
7.2 連接問題體系中的各個點 264
7.3 撰寫故事―瞭解問題體系中相互關聯的問題 267
7.3.1 第一步―即時措施 268
7.3.2 第二步―未來措施 268
7.4 實施解決方案 270
7.5 小結 270
第8章 物聯網顛覆性創新 273
8.1 邊緣計算/霧計算（Edge computing/Fog computing） 273
8.2 認知計算―非結構化數據的顛覆性智能 278
8.2.1 認知計算是如何工作的 279
8.2.2 認知計算應用在哪些場景中 281
8.2.3 故事場景 281
8.2.4 最重要的問題是，所有這些是如何發生的 282
8.3 下一代機器人和基因組學 283
8.3.1 機器人―與物聯網、機器學習、邊緣計算和認知計算共享光明
未來 283
8.3.2 基因組學 285
8.3.3 基因組學與物聯網的關係 286
8.4 自動駕駛汽車 287
8.4.1 願景和靈感 287
8.4.2 自動駕駛汽車的工作原理 287
8.4.3 是否遺漏了什麼 289
8.4.4 車輛對環境 289
8.4.5 車輛對車輛 289
8.4.6 車輛對基礎設施 290
8.4.7 自動駕駛汽車的未來 290
8.5 物聯網的隱私和安全 291
8.5.1 漏洞 291
8.5.2 完整性 291
8.5.3 隱私 292
8.5.4 軟件基礎設施 292
8.5.5 硬件基礎設施 292
8.5.6 協議基礎結構 293
8.6 小結 293
第9章 物聯網的光明前景 295
9.1 物聯網商業模式―資產或設備即服務 295
9.1.1 動機 296
9.1.2 資產即服務模式的現實生活用例 297
9.1.3 這個商業模式如何幫助企業 298
9.1.4 利用決策科學增強資產即服務模式 300
9.2 智能手錶―醫療保健物聯網的助推器 300
9.2.1 決策科學在醫療保健數據中的應用 302
9.2.2 結語 303
9.3 智能醫療保健―人類互聯到智能人類 303
9.4 從汽車互聯向智能汽車演變 305
9.4.1 智能加油助手 306
9.4.2 預測性保養 306
9.4.3 自主運輸 306
9.4.4 結束語 307
9.5 小結 307