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