数字化质量新工具--10种机器学习方法

1.        机器学习概况

• 数字化全面质量管理的现状与挑战
• 什么是机器学习？
• 什么是监督学习，无监督学习，深度学习，强化学习？
• 数据来源与挑战？
• 数字化质量的五个层级
• 常用的机器学习方法？
• 什么是训练集，验证集和测试集

2.    无监督学习

• 动物图片的训练集与自动分类
• 测试集-动物图片的测试与验证
• 鸢尾花的无监督学习案例与练习

3.    监督学习的分类模型介绍

• 决策树
• 随机森林
• K-最近邻算法
• 神经网络
• 逻辑回归
• 线性判别分析
• 支持向量机
• 梯度提升树
• 朴素贝叶斯

4.    监督学习的分类模型重点案例介绍

        4.1 天窗异响的决策树分析与预测

• 通过测试集进行测试，了解模型的准确度
• 决策树的原理与算法解析
• 什么是基尼指数，熵、信息熵、信息增益
• Cart算法，ID3算法，C4.5算法
• 决策树的优缺点

        4.2 天窗异响的随机森林树分析与预测

• 通过测试集进行测试，了解模型的准确度
• 随机森林的原理与算法解析
• 随机森林的优缺点

        4.3 天窗异响的逻辑回归分析与预测

• 通过测试集进行测试，了解模型的准确度
• 逻辑回归的原理与算法解析
• 逻辑回归的优缺点

5.    监督学习的回归模型介绍

• 线性回归
• 多项式回归
• 决策树回归
• 随机森林回归
• 神经网络回归

6.    监督学习的回归模型重点案例与练习

        6.1 一元回归

        案例分享：刹车距离1元回归案例

• 建立1元一次和1元2次回归模型
• 模型诊断
• 模型预测

        6.2 多元回归

• 案例分享1：通过多元回归找到空调压缩机的数学模型，并对40个变量进行分析和优化。
• 案例分享2：通过多元回归找到刹车盘硬度的数学模型，并对11个变量进行分析和优化。
• 逐步回归识别关键因子
• 寻找数学模型
• 黄金参数的寻找

7.    跨行业数据分析流程(CRISP-DM)与案例

        欧盟数据分析的框架 CRISP-DM 模型6步法

• 第一步：明确业务需求
• 第二步：数据策划和数据收集
• 第三步：数据清洗和数据特征值分析
• 第四步：数据建模
• 第五步：模型诊断
• 第六步：模型应用和验证