新書推薦：
《
炙野（全2册）
》
售價：NT$
356.0
《
女人的胜利
》
售價：NT$
254.0
《
数据有道：数据分析+图论与网络+微课+Python编程（鸢尾花数学大系：从加减乘除到机器学习）
》
售價：NT$
1214.0
《
500万次倾听：陪伤心的人聊聊
》
售價：NT$
245.0
《
英国商业500年（见证大国崛起与企业兴衰，启迪未来商业智慧。）
》
售價：NT$
367.0
《
万千心理·儿童心理治疗中的心智化：临床实践指导
》
售價：NT$
398.0
《
自我囚禁的人：完美主义的心理成因与自我松绑（破除你对完美主义的迷思，尝试打破自我评价过低与焦虑的恶性循环）
》
售價：NT$
301.0
《
周易
》
售價：NT$
203.0
|
| 內容簡介： |
|
本书介绍了能源大数据分析的理论知识与实践方法，主要内容包括大数据处理与分析理论、能源系统与能源大数据应用、能源大数据处理与分析实践三个部分。大数据处理与分析理论包括大数据的基本概念、应用流程、平台技术、采集与处理，还包括回归分析、分类分析、聚类分析和深度学习等机器学习的基本理论。能源系统与能源大数据应用介绍了能源系统的基本概念和能源大数据的典型应用，能源系统的基本概念包括能源分类、能源互联网、智慧能源等，能源大数据的典型应用选取能源经济与管理大数据应用、煤炭大数据应用、油气大数据应用和电力大数据应用进行了介绍。能源大数据处理与分析实践选取了8个具体案例对能源大数据的具体应用方法进行了编程实现和介绍。本书可以作为高校信息管理与信息系统、能源经济与管理等相关专业能源大数据处理与分析课程的教材，也可以作为其他专业的本科生、研究生及能源领域相关应用和研究人员的参考书。本书的读者需要具备统计学知识和程序设计（Python）能力。本书中案例的源代码可登录华信教育资源网免费下载（www.hxedu.com.cn）。
|
| 關於作者： |
|
渐令，教授、博导，先后主持科研项目10项，其中国家自然科学基金项目3项、山东省重点研发计划 1项、山东省自然科学基金青年基金项目1项、校自主创新项目3项，中石化横向课题1项，中石油横向课题1项。
|
| 目錄：
|
目录
第一部分 大数据处理与分析理论
第1章 大数据概述2
1.1 大数据概念2
1.1.1 大数据定义与内涵2
1.1.2 大数据的特征2
1.1.3 数据类型4
1.2 大数据的应用4
1.3 大数据的处理流程7
1.3.1 大数据处理的基本流程7
1.3.2 数据采集7
1.3.3 数据预处理8
1.3.4 数据统计分析和数据挖掘8
1.3.5 数据可视化10
1.4 大数据平台技术11
1.4.1 大数据系统生态11
1.4.2 大数据存储与管理12
1.4.3 大数据计算与处理15
思考题19
本章参考文献19
第2章 数据获取与预处理21
2.1 数据获取与预处理概述21
2.1.1 数据获取21
2.1.2 数据清洗与数据转换22
2.1.3 数据加载22
2.2 数据获取技术23
2.2.1 数据获取技术概述23
2.2.2 网络爬虫24
2.3 数据预处理28
2.3.1 数据质量28
2.3.2 数据清洗29
2.3.3 数据集成31
2.3.4 数据转换33
2.3.5 数据归约34
2.4 数据集的构建36
2.4.1 数据集的划分36
2.4.2 重抽样方法36
思考题38
本章参考文献38
第3章 回归分析40
3.1 回归分析概述40
3.2 线性回归41
3.3 非线性回归42
3.4 分位数回归44
思考题46
本章参考文献46
第4章 分类分析48
4.1 分类分析概述48
4.2 贝叶斯分类50
4.2.1 贝叶斯分类的原理50
4.2.2 贝叶斯分类的应用与实例53
4.3 Logistic回归54
4.3.1 Logistic回归的原理54
4.3.2 Logistic回归模型的训练55
4.3.3 带正则项的Logistic回归56
4.3.4 Logistic回归的应用56
4.4 KNN57
4.5 支持向量机59
4.5.1 线性可分离数据的支持向量机59
4.5.2 不可分离数据的支持向量机62
4.5.3 非线性支持向量机64
4.6 决策树65
4.6.1 决策树简介65
4.6.2 ID3算法66
4.6.3 C4.5算法67
4.6.4 CART算法69
4.7 集成学习72
4.7.1 集成学习概述72
4.7.2 随机森林73
4.7.3 AdaBoost75
4.7.4 GBDT76
4.7.5 XGBoost77
4.8 分类器评估80
思考题84
本章参考文献84
第5章 聚类分析86
5.1 聚类的特征提取86
5.1.1 过滤器模型87
5.1.2 包装器模型89
5.2 基于代表的聚类90
5.2.1 K-Means算法90
5.2.2 核K-Means算法91
5.2.3 K-Medians算法91
5.2.4 K-Medoids算法92
5.3 层次聚类93
5.3.1 自下而上的聚类93
5.3.2 自上而下的聚类96
5.4 基于网格和密度的聚类97
5.4.1 基于网格的聚类算法97
5.4.2 DBSCAN算法99
5.4.3 DENCLUE算法101
5.5 聚类的有效性102
5.5.1 内部验证方法102
5.5.2 外部验证方法103
思考题104
本章参考文献105
第6章 深度学习106
6.1 深度学习概述106
6.2 BP神经网络107
6.2.1 激活函数107
6.2.2 BP算法的基本原理110
6.3 卷积神经网络113
6.3.1 从全连接到卷积113
6.3.2 卷积层113
6.3.3 汇聚层117
6.3.4 典型的卷积神经网络118
6.4 循环神经网络122
6.4.1 RNN的展开123
6.4.2 RNN的结构123
6.4.3 双向RNN125
6.4.4 基于门控的RNN126
6.5 Word2Vec128
6.6 图神经网络131
6.6.1 图的概念131
6.6.2 节点的中心性131
6.6.3 图嵌入133
6.6.4 图卷积神经网络135
思考题136
本章参考文献137
第二部分 能源系统与能源大数据应用
第7章 能源系统140
7.1 能源的定义和分类140
7.2 能源系统及其演化144
7.2.1 能源系统概述144
7.2.2 典型的能源系统145
7.2.3 能源系统的演化149
7.3 能源互联网与智慧能源151
7.3.1 能源互联网的内涵151
7.3.2 能源互联网的功能155
7.3.3 能源互联网的技术框架157
7.3.4 智慧能源的内涵159
7.3.5 智慧能源的体系架构159
7.3.6 智慧能源的发展趋势161
思考题163
本章参考文献163
第8章 能源大数据应用164
8.1 能源大数据的内涵164
8.2 能源经济与管理大数据应用166
8.2.1 能源经济与管理大数据应用概况166
8.2.2 国内外能源经济与管理大数据平台介绍167
8.3 煤炭大数据应用170
8.3.1 煤炭大数据应用概况170
8.3.2 智能矿山平台171
8.3.3 国内外应用情况176
8.4 油气大数据应用182
8.4.1 油气大数据应用概况182
8.4.2 油气大数据体系架构184
8.4.3 油田应用情况186
8.5 电力大数据应用191
8.5.1 电力大数据应用概况191
8.5.2 电力大数据体系架构193
8.5.3 国内外应用情况195
思考题199
本章参考文献199
第三部分 能源大数据处理与分析实践
第9章 能源经济与管理大数据处理与分析案例202
9.1 能源政策文本分析202
9.1.1 案例描述202
9.1.2 能源政策文本数据采集202
9.1.3 能源政策词云图205
9.2 国际LNG贸易网络分析206
9.2.1 案例描述206
9.2.2 数据预处理与图的生成206
9.2.3 LNG贸易网络节点中心性208
9.2.4 LNG贸易网络的图嵌入209
第10章 煤炭大数据分析案例211
10.1 煤炭类型识别211
10.1.1 案例描述211
10.1.2 实现步骤211
10.1.3 程序实现与结果分析212
10.2 煤矿地震预测215
10.2.1 案例描述215
10.2.2 模型方法与数据集215
10.2.3 程序实现与结果分析216
第11章 油气大数据分析案例219
11.1 油气消费量的影响因素分析219
11.1.1 案例描述219
11.1.2 回归分析219
11.1.3 结果分析221
11.2 石油管线事故损失预测222
11.2.1 案例描述222
11.2.2 随机森林回归的步骤222
11.2.3 程序实现与结果分析223
第12章 电力大数据分析案例226
12.1 基于LSTM方法的家庭用电量预测226
12.1.1 案例描述226
12.1.2 家庭用电量数据集226
12.1.3 LSTM模型的应用与实现227
12.2 基于Stacking融合方法的电网负荷预测234
12.2.1 案例描述234
12.2.2 Stacking融合方法234
12.2.3 电网负荷数据集235
12.2.4 Stacking模型的应用与实现235
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
