当大数据遇见物联网：智能决策解决之道

目 录
第1章 物联网和决策科学 1
1.1 了解物联网 2
1.2 揭秘M2M、物联网、工业物联网和万物互联 3
1.3 深入挖掘物联网的逻辑堆栈 5
1.3.1 人 6
1.3.2 流程 7
1.3.3 物 8
1.3.4 数据 9
1.4 问题的生命周期 9
1.5 问题的全貌 12
1.6 解决问题的技术 17
1.6.1 跨学科方法 18
1.6.2 问题的体系 18
1.7 问题解决框架 20
1.8 小结 23
第2章 物联网问题体系研究和用例设计 25
2.1 资产互联和运营互联 25
2.1.1 物与智能之物的互联 26
2.1.2 一个现实生活的场景：资产互联 28
2.1.3 运营互联—下一场革命 30
2.2 解析商业用例 32
2.2.1 解析问题 33
2.2.2 研究和收集背景信息 34
2.2.3 根据数据可用性对假设优先排序和构建 38
2.2.4 验证和改进假设（重复步骤（2）和（3）） 39
2.2.5 吸收结果并呈现解决方案 40
2.3 感知相关的潜在问题 41
2.4 设计启发法驱动的假设矩阵 41
2.5 小结 42
第3章 探索性决策科学在物联网中的应用内容和原因 45
3.1 识别有用数据做出决策 45
3.1.1 查验假设的数据来源 46
3.1.2 解决问题时的数据探查工作 47
3.1.3 特征探索 57
3.1.4 了解数据全貌 58
3.2 通过数据（单变量）探索物联网生态系统各个维度 61
3.2.1 数据显示了什么 61
3.2.2 探索先前产品…… 66
3.2.3 本节小结 72
3.3 研究数据关系 72
3.3.1 相关性是什么 73
3.3.2 探索阶段1的数据维度 78
3.4 探索性数据分析 84
3.4.1 那么，应该如何验证发现 85
3.4.2 假设检验是如何起作用的 85
3.4.3 验证假设—类别1 87
3.4.4 卡方检验的原理是什么 87
3.4.5 验证假设—类别2 91
3.4.6 验证假设—类别3 96
3.4.7 假设—类别4 100
3.4.8 探索性数据分析阶段小结 102
3.5 根本原因分析 102
3.5.1 综合结果 103
3.5.2 可视化洞见 105
3.5.3 将故事拼接形成完整的解决方案 106
3.5.4 结论 107
3.6 小结 108
第4章 预测性分析在物联网中的应用 109
4.1 重新探查问题—接下来是什么 109
4.2 线性回归—预测连续结果 111
4.2.1 预测性分析拉开序幕 111
4.2.2 解决预测问题 111
4.2.3 解释回归结果 115
4.2.4 残差、多元R平方、残差标准误差和修正后的R平方 118
4.2.5 改进预测模型 119
4.3 决策树 127
4.3.1 了解决策树 128
4.3.2 用决策树进行预测建模 133
4.4 Logistic回归—预测一个分类结果 142
4.4.1 什么是Logistic回归 143
4.4.2 Logistic回归是如何工作的 144
4.4.3 扼要概述模型的解释 154
4.4.4 改进分类模型 154
4.5 小结 167
第5章 利用机器学习增强物联网预测性分析 169
5.1 机器学习简介 169
5.1.1 什么是集成建模 170
5.1.2 为什么要选择集成模型 170
5.1.3 一个集成模型究竟是如何工作的 171
5.2 集成建模—随机森林 174
5.2.1 什么是随机森林 174
5.2.2 如何在R语言中构建随机森林 176
5.3 集成建模—XGBoost 186
5.4 神经网络与深度学习 193
5.5 汇总结果 208
5.5.1 快速回顾 208
5.5.2 从预测建模练习取得的结果 209
5.5.3 需要注意的几点 209
5.6 小结 209
第6章 决策科学结合物联网的分析速成 211
6.1 搭建问题的背景信息 211
6.1.1 真正的问题 212
6.1.2 接下来做什么 212
6.2 解析问题并设计方法 213
6.2.1 构建一个SCQ（即情景-冲突-疑问）方案 213
6.2.2 研究 213
6.2.3 太阳能领域的背景信息 215
6.2.4 设计方法 216
6.2.5 研究数据全貌 217
6.3 探索性数据分析与特征工程 218
6.3.1 能量消耗和能量产生相比结果如何 224
6.3.2 电池 228
6.3.3 负载 230
6.3.4 逆变器 232
6.3.5 从数据探索练习中学习 233
6.3.6 简单概括所有的发现和学习收获 233
6.3.7 解决问题 234
6.3.8 特征工程 235
6.4 构建用例的预测模型 242
6.5 汇总解决方案 249
6.6 小结 249
第7章 规范性科学与决策 251
7.1 应用一种分层方法和各种测试控制方法战胜业务问题 251
7.1.1 规范性分析的定义 251
7.1.2 解决一个规范性分析用例 253
7.1.3 用规范性的方式去解决用例 261
7.2 连接问题体系中的各个点 264
7.3 撰写故事—了解问题体系中相互关联的问题 267
7.3.1 第一步—即时措施 268
7.3.2 第二步—未来措施 268
7.4 实施解决方案 270
7.5 小结 270
第8章 物联网颠覆性创新 273
8.1 边缘计算/雾计算（Edge computing/Fog computing） 273
8.2 认知计算—非结构化数据的颠覆性智能 278
8.2.1 认知计算是如何工作的 279
8.2.2 认知计算应用在哪些场景中 281
8.2.3 故事场景 281
8.2.4 最重要的问题是，所有这些是如何发生的 282
8.3 下一代机器人和基因组学 283
8.3.1 机器人—与物联网、机器学习、边缘计算和认知计算共享光明
未来 283
8.3.2 基因组学 285
8.3.3 基因组学与物联网的关系 286
8.4 自动驾驶汽车 287
8.4.1 愿景和灵感 287
8.4.2 自动驾驶汽车的工作原理 287
8.4.3 是否遗漏了什么 289
8.4.4 车辆对环境 289
8.4.5 车辆对车辆 289
8.4.6 车辆对基础设施 290
8.4.7 自动驾驶汽车的未来 290
8.5 物联网的隐私和安全 291
8.5.1 漏洞 291
8.5.2 完整性 291
8.5.3 隐私 292
8.5.4 软件基础设施 292
8.5.5 硬件基础设施 292
8.5.6 协议基础结构 293
8.6 小结 293
第9章 物联网的光明前景 295
9.1 物联网商业模式—资产或设备即服务 295
9.1.1 动机 296
9.1.2 资产即服务模式的现实生活用例 297
9.1.3 这个商业模式如何帮助企业 298
9.1.4 利用决策科学增强资产即服务模式 300
9.2 智能手表—医疗保健物联网的助推器 300
9.2.1 决策科学在医疗保健数据中的应用 302
9.2.2 结语 303
9.3 智能医疗保健—人类互联到智能人类 303
9.4 从汽车互联向智能汽车演变 305
9.4.1 智能加油助手 306
9.4.2 预测性保养 306
9.4.3 自主运输 306
9.4.4 结束语 307
9.5 小结 307