製造數據科學：邁向智慧製造與數位決策(第二版)

．提供嚴謹的數據科學分析架構，強調預測與決策兼具的分析 本書整合「數據科學」與「決策科學」的思維架構，以五階段構析：敘述性構析、診斷性構析、預測性構析、處方性構析、自主性構析，從點、線、連結到面的整體系統觀。從發現對的問題、找到重要因子、建構因果關係、連結到製造現場的決策、資源與風險，以達成自主且前瞻性決策。 ．介紹完整的數據科學基礎與進階學理，以常見的製造實務議題貫穿 本書以統計與最佳化的思維說明了監督、非監督、強化學習與元啟發式演算法、大型語言模型LLM等理論，並探討製造實務常見的分析議題，如特徵挑選、維度縮減、特徵工程、數據增強、數據不平衡、故障預測與健康管理、超參數最佳化、概念漂移、提示工程等進階方法的應用。 ．透過自適性調整提供時空自主的系統決策 本書說明開採與探索、預測與決策、可解釋、集成學習、多目標、資源配置等議題，說明如何開發設計自適性演算法，考慮模型的適應性與擴充性，以提供時空自主的系統運算決策。

第 1 章　製造數據科學 第 2 章　製造系統分析與管理 第 3 章　數據科學基礎與模型評估 第 4 章　數據科學分析架構與系統運算決策 第 5 章　數據預處理與製造數據特性 第 6 章　決策樹與集成學習 第 7 章　特徵挑選與維度縮減 第 8 章　類神經網路與深度學習 第 9 章　集群分析 第10章　特徵工程、數據增強與數據平衡 第11章　故障預測與健康管理 第12章　可解釋人工智慧 第13章　概念漂移 第14章　元啟發式演算法 第15章　強化學習 第16章　大型語言模型與生成式AI 附錄共六篇（請掃描書上QR Code閱覽） 附錄A 線性迴歸 附錄B 線性分類器 附錄C 支持向量機 附錄D 無母數迴歸與分類 附錄E 統計製程管制與先進製程控制 附錄F 超參數最佳化