Machine Learning in Python for Dynamic Process Systems: A practitioner’s guide for building process modeling, predictive, and monitoring solutions using dynamic data

Эта книга представляет собой практическое руководство по применению машинного обучения к динамическим процессным системам, характерным для химической, нефтегазовой и других отраслей промышленности. Авторы — эксперты в области процессов и цифровых технологий — делятся опытом разработки решений для моделирования, прогнозирования и мониторинга на основе динамических данных.

Книга ориентирована на инженеров-практиков и data-science специалистов, работающих с временными рядами и динамическими системами. Она охватывает полный цикл: от подготовки данных и выбора признаков до построения моделей и их внедрения в производственные процессы.

Особое внимание уделяется специфике промышленных данных: шум, пропуски, нестационарность, задержки. Рассматриваются методы машинного обучения, включая регрессию, нейронные сети, ансамбли, а также подходы к обнаружению аномалий и диагностике неисправностей.

Книга содержит множество примеров на Python с использованием библиотек pandas, scikit-learn, TensorFlow и других. Все примеры доступны в виде Jupyter-ноутбуков и скриптов на GitHub.

Издание будет полезно как начинающим, так и опытным специалистам, желающим применять машинное обучение для оптимизации и повышения надёжности процессов в реальном производстве.