【培訓(xùn)對(duì)象】
從事數(shù)據(jù)分析、數(shù)據(jù)建模的相關(guān)技術(shù)人員

【培訓(xùn)收益】
本課程面向工業(yè)企業(yè)，向?qū)W員介紹如何利用生產(chǎn)過(guò)程產(chǎn)生的實(shí)際數(shù)據(jù)，有效地從事根因分析、數(shù)據(jù)建模等工作，為企業(yè)解決實(shí)際問(wèn)題。

課程分成七個(gè)部分

第一部分介紹數(shù)據(jù)建模和根因分析的基本概念。主要用于糾正學(xué)術(shù)界常見(jiàn)的錯(cuò)誤或模糊觀點(diǎn)。在工業(yè)企業(yè)，人們對(duì)過(guò)程和對(duì)象的理解往往較深，建模中的困難往往是數(shù)據(jù)條件不理想導(dǎo)致的。 另外，工業(yè)人追求模型的實(shí)用價(jià)值。實(shí)用模型不僅需要一定的精度，還對(duì)精度的穩(wěn)定性有較高的要求。模型的實(shí)用并不等同于科學(xué)意義上的正確，但科學(xué)知識(shí)有利于提高精度和穩(wěn)定性。

第二部分介紹數(shù)據(jù)分析過(guò)程中常見(jiàn)的錯(cuò)誤。在實(shí)踐過(guò)程中，數(shù)據(jù)分析的困難往往體現(xiàn)在容易出現(xiàn)錯(cuò)誤。這些錯(cuò)誤與數(shù)據(jù)質(zhì)量密切相關(guān)。數(shù)據(jù)的真實(shí)性、數(shù)據(jù)的誤差都可能帶來(lái)錯(cuò)誤、扭曲的分析結(jié)果。而現(xiàn)實(shí)中，工業(yè)數(shù)據(jù)的質(zhì)量低是一種常態(tài)。傳統(tǒng)數(shù)據(jù)分析要求的“先驗(yàn)條件”往往不存在。工業(yè)數(shù)據(jù)分析需要在這樣的前提下開(kāi)展工作。

第三部分介紹如何避免錯(cuò)誤的分析結(jié)果。要避免出現(xiàn)分析錯(cuò)誤，需要從數(shù)據(jù)本身的質(zhì)量入手。要關(guān)注數(shù)據(jù)的采集過(guò)程、要審視數(shù)據(jù)采集的標(biāo)準(zhǔn)。用于分析的數(shù)據(jù)必須完整，不能片面地描述工業(yè)對(duì)象和過(guò)程。要避免數(shù)據(jù)收集過(guò)程的片面性、避免“幸存者偏差”導(dǎo)致的錯(cuò)誤。

第四部分討論數(shù)據(jù)的分析方法。數(shù)據(jù)分析一般從分析相關(guān)關(guān)系開(kāi)始。但進(jìn)行根因分析（或開(kāi)發(fā)控制模型）時(shí)，需要確認(rèn)因果關(guān)系。工業(yè)對(duì)象往往可以看出一個(gè)系統(tǒng)，系統(tǒng)中有眾多的反饋和前饋回路。這會(huì)導(dǎo)致變量之間的相關(guān)與因果關(guān)系混亂。要解決這類困難，需要將工業(yè)知識(shí)和數(shù)據(jù)分析方法有機(jī)地結(jié)合起來(lái)。

第五部分介紹模型和分析結(jié)果的驗(yàn)證。驗(yàn)證過(guò)程的本質(zhì)，是驗(yàn)證精度和適用范圍。由于工業(yè)過(guò)程經(jīng)常面對(duì)不可見(jiàn)的干擾，人們往往難以建立高精度的模型?？紤]精度時(shí)，可以設(shè)法排除隨機(jī)干擾的影響、專注于本質(zhì)性的影響。分析適用范圍時(shí)，可以從多個(gè)角度、多個(gè)場(chǎng)景分別檢驗(yàn)。特別需要指出的是：如果模型本身過(guò)度復(fù)雜，精度和適用范圍之間就會(huì)產(chǎn)生矛盾。

第六部分介紹一種常見(jiàn)的實(shí)用模型。這種模型與教科書(shū)上的科學(xué)原理差別較大，本質(zhì)上是經(jīng)驗(yàn)和實(shí)踐的積累，是“用歷史預(yù)報(bào)未來(lái)”。相關(guān)的算法相對(duì)簡(jiǎn)單，但需要較多的數(shù)據(jù)積累。故而特別適合大數(shù)據(jù)時(shí)代。為了提高模型的精度、保持精度的穩(wěn)定性，往往需要采用“自學(xué)習(xí)”和參數(shù)調(diào)整技術(shù)，讓現(xiàn)實(shí)數(shù)據(jù)不斷地矯正模型。

最后一部分討論技術(shù)經(jīng)濟(jì)性。本課程介紹的方法，是實(shí)踐中行之有效的方法、也是非常傳統(tǒng)的做法。但是，在數(shù)據(jù)條件不理想時(shí)，分析和建模的效率很低、成功的比例也很低。這導(dǎo)致相關(guān)工作不具備經(jīng)濟(jì)性、也難以廣泛開(kāi)展。但是，在工業(yè)大數(shù)據(jù)時(shí)代，數(shù)據(jù)條件發(fā)生了變化，技術(shù)經(jīng)濟(jì)性就不一樣了。企業(yè)需要主動(dòng)地創(chuàng)造條件，才能促進(jìn)這些工作的開(kāi)展。 

郭朝暉博士,教授級(jí)高工
1968年生于山東濟(jì)南。1990、1994和1997年分別在浙江大學(xué)應(yīng)用數(shù)學(xué)、化學(xué)工程、工業(yè)自動(dòng)化專業(yè)獲得學(xué)士、碩士和博士學(xué)位。

1997年加盟寶鋼。2000年即獲得寶鋼首次頒發(fā)的企業(yè)最高榮譽(yù)“金牛獎(jiǎng)?wù)?rdquo;。2002年至2017年擔(dān)任寶鋼研究院首席研究員，期間多次獲得寶鋼重大科技獎(jiǎng)。2003年，牛津大學(xué)訪問(wèn)學(xué)者。2005年晉升教授級(jí)高工。著有《管中窺道：技術(shù)創(chuàng)新的觀念與方法》、《知行：工業(yè)基因的數(shù)字化演進(jìn)》。

現(xiàn)為上海優(yōu)也信息科技有限公司首席科學(xué)家。是上海交通大學(xué)、浙江大學(xué)、東北大學(xué)、上海財(cái)經(jīng)大學(xué)、西安科技大學(xué)等多家高校的兼職教授，清華大學(xué)工業(yè)大數(shù)據(jù)實(shí)驗(yàn)室、工信部工業(yè)大數(shù)據(jù)分析與集成應(yīng)用重點(diǎn)實(shí)驗(yàn)室等多家實(shí)驗(yàn)室的專家委員會(huì)委員；中國(guó)鋼鐵行業(yè)協(xié)會(huì)行業(yè)培訓(xùn)專家、中國(guó)工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟大數(shù)據(jù)特設(shè)組副主席、工業(yè)技術(shù)軟件化產(chǎn)業(yè)聯(lián)盟專家委員會(huì)委員。擔(dān)任廣東省、湖南省、貴州省、山西省、北京市、杭州市、深圳市、泰安市等多個(gè)地方（與數(shù)字化相關(guān)的）專家委員會(huì)委員。

曾擔(dān)任中國(guó)工業(yè)與應(yīng)用數(shù)學(xué)學(xué)會(huì)副理事長(zhǎng)、中國(guó)現(xiàn)場(chǎng)統(tǒng)計(jì)學(xué)會(huì)理事、上海市人工智能學(xué)會(huì)理事，以及中國(guó)自動(dòng)化學(xué)會(huì)、中國(guó)金屬學(xué)會(huì)若干專委會(huì)委員。曾擔(dān)任中央企業(yè)青聯(lián)委員、上海市知識(shí)分子聯(lián)誼會(huì)理事、寶鋼知識(shí)分子聯(lián)誼會(huì)會(huì)長(zhǎng)、上海寶山區(qū)知識(shí)分子聯(lián)誼會(huì)副會(huì)長(zhǎng)、寶山區(qū)政協(xié)委員。