本书是一部系统介绍数据分析与预测领域核心方法及其应用的学习指南，以理论与实践深度融合为宗旨，内容涵盖统计学、随机过程、机器学习和灰色系统等关键模块，精选维修间隔制定、股票价格预测、系统可靠性分析等多领域典型案例，提供系统的理论方法、技术路径与解决方案，引导读者在真实场景中灵活应用，全方位提升数据处理、模型构建与工程化部署能力。
更多科学出版社服务，请扫码获取。
2012.9--2016.6 北京理工大学 数学与应用数学专业 理学学士
2019.9--2020.9 法国贡比涅科技大学 应用数学专业 联合培养博士
2016.9--2021.3 北京理工大学 管理科学与工程专业 管理学博士2021--至今, 西北工业大学任教机械工程-机械电子工程发表论文 24 篇，其中SCI检索 24 篇。
1.Bei Wu*, Nikolaos Limnios. A Comparative Study of Numerical Methods for Reliability Assessment based on Semi-Markov Processes. Reliability Engineering & System Safety, 2024, 252: 110431. （ABS G3, 中科院1区Top, 影响因子9.4）
2.Bei Wu, Zhizhong Tan, Ada Che*, Lirong Cui. A Novel Resilience Assessment Framework for Multi-component Critical Infrastructure. IEEE Transactions on Engineering Management, 2024, 71: 14011-14031. （ABS G3，影响因子4.6）1）2022.01-2025.01期间于中国优选法统筹法与经济数学研究会工业工程分会担任理事；
2）2021.12-2024.11期间于中国运筹学会可靠性分会担任青年委员；
3）2022.09-2025.08期间于中国系统工程学会青年工作委员会担任委员；
4）2022.07-2025.06期间于中国管理科学学会空天系统管理专业委员会担任委员；
5）2022.07-2026.06期间于陕西省管理科学研究会担任理事；
6）2024.11-2026.11期间于Journal of Reliability Science and Engineering期刊青年编委委员。
目录
前言
第1章 绪论 1
1.1 概述 1
1.1.1 数据分析与预测的历史演进 1
1.1.2 数据分析与预测的应用价值 2
1.1.3 未来发展趋势与挑战 3
1.2 数据分析与预测的核心流程 3
1.2.1 数据采集 3
1.2.2 数据存储 4
1.2.3 数据清洗 5
1.2.4 数据分析 5
1.2.5 数据可视化 7
1.2.6 决策支持 8
1.3 Python数据分析工具 8
1.3.1 Python历史介绍 8
1.3.2 Python常用库介绍 9
复习思考题 9
第2章 统计推断与回归预测 11
2.1 数据统计特征与描述性分析 11
2.1.1 集中趋势特征 11
2.1.2 离散程度特征 13
2.1.3 偏态与峰态 16
2.2 常见概率分布及参数估计 17
2.2.1 离散型概率分布 17
2.2.2 连续型概率分布 18
2.2.3 参数估计 21
2.3 假设检验 23
2.3.1 假设检验原理 23
2.3.2 假设检验步骤 23
2.3.3 总体均值的检验 26
2.4 拟合优度检验 30
2.4.1 χ2检验 30
2.4.2 K-S检验 32
2.4.3 A-D检验 34
2.5 回归分析与预测 34
2.5.1 分析的概念及种类 34
2.5.2 相关分析的实施 36
2.5.3 一元线性回归 38
2.5.4 多元线性回归 43
2.6 实战案例：维修间隔制定 46
2.6.1 分布拟合 46
2.6.2 置信区间估计 47
复习思考题 48
第3章 时间序列分析与预测 49
3.1 时间序列 49
3.1.1 时间序列定义 49
3.1.2 平稳时间序列与纯随机序列 50
3.2 差分运算 54
3.2.1 差分运算定义 54
3.2.2 延迟算子 56
3.2.3 线性差分方程 56
3.3 ARMA模型及扩展 57
3.3.1 AR模型 57
3.3.2 MA模型 60
3.3.3 ARMA模型 63
3.3.4 ARIMA模型 65
3.4 序列预测 66
3.4.1 线性预测函数 66
3.4.2 序列预测的应用 69
3.5 实战案例：股票价格预测 71
3.5.1 建模步骤 71
3.5.2 案例介绍 72
复习思考题 74
第4章 随机过程理论与应用 76
4.1 随机过程的基本概念 76
4.2 泊松过程 80
4.2.1 泊松过程的定义 80
4.2.2 泊松过程的基本性质 84
4.2.3 排队系统建模 84
4.3 马尔可夫模型 90
4.3.1 马尔可夫链 90
4.3.2 马尔可夫过程 97
4.3.3 聚合随机过程 100
4.4 布朗运动与随机微分方程 102
4.4.1 布朗运动 102
4.4.2 随机微分方程 105
4.5 实战案例：系统可靠性分析 106
4.5.1 案例背景与模型构建 106
4.5.2 可靠性分析 108
复习思考题 108
第5章 机器学习理论与应用 110
5.1 机器学习基础与分类 110
5.1.1 人工智能与机器学习 110
5.1.2 机器学习分类 111
5.1.3 Python机器学习方法库 111
5.2 监督学习 112
5.2.1 监督学习的概念 112
5.2.2 支持向量机 114
5.2.3 决策树 121
5.3 无监督学习 126
5.3.1 降维 127
5.3.2 聚类 133
5.4 评价指标与模型优化 139
5.4.1 评价指标 139
5.4.2 模型优化技术 142
5.5 实战案例：客户流失预测 145
5.5.1 案例背景 145
5.5.2 数据集描述 145
5.5.3 模型搭建、预测与评估 146
复习思考题 148
第6章 灰色系统理论与应用 150
6.1 灰色系统概述 150
6.1.1 理论产生背景 150
6.1.2 不确定性建模方法比较 151
6.1.3 灰色系统基本概念 151
6.1.4 灰色系统基本原理 152
6.1.5 理论主要内容 153
6.2 灰色预测模型 154
6.2.1 GM(1,1)模型的基本形式 155
6.2.2 残差GM(1,1)模型 161
6.2.3 GM(1,1)模型群 164
6.2.4 GM(0,N)模型 166
6.2.5 灰色Verhulst模型 167
6.3 灰色组合模型 168
6.3.1 灰色经济计量学模型 169
6.3.2 灰色生产函数模型 171
6.3.3 灰色线性回归组合模型 172
6.3.4 灰色马尔可夫模型 175
6.4 实战案例：设备故障分析 176
6.4.1 案例背景 176
6.4.2 案例描述 177
6.4.3 建模与预测 178
6.4.4 对比分析 179
复习思考题 181
参考文献 182
新书资讯
