最新章節

• 封底
• 作者簡介
• 參考文獻
• 10.8 總結
• 10.7.2 計算并行化
• 10.7.1 任務管理

• 封底 更新時間：2023-05-06 17:55:04
• 作者簡介
• 參考文獻
• 10.8 總結
• 10.7.2 計算并行化
• 10.7.1 任務管理
• 10.7 計算任務管理
• 10.6.3 基于Office API的報告工具
• 10.6.2 基于Markdown的報告工具
• 10.6.1 交互式報告工具
• 10.6 分析報告工具
• 10.5.2 Web應用引擎
• 10.5.1 分析服務引擎
• 10.5 分析應用組件
• 10.4.5 MLOps的適用范圍
• 10.4.4 工業數據分析MLOps的特點
• 10.4.3 MLOps的支撐軟件
• 10.4.2 MLOps與其他Ops的關系
• 10.4.1 MLOps的內容
• 10.4 MLOps
• 10.3.2 模型格式
• 10.3.1 應用范式
• 10.3 生產環境下的機器學習模型
• 10.2 傳統的數據分析模式
• 10.1 數據分析項目失敗的原因
• 第10章 數據分析軟件工程
• 參考文獻
• 9.10 討論與總結
• 9.9.4 故障排查邏輯
• 9.9.3 異常預警規則模型
• 9.9.2 系統動力學模型
• 9.9.1 案例背景
• 9.9 應用示例3：發電機線棒高溫預警
• 9.8 應用示例2：磨煤機暗斷煤檢測
• 9.7 應用示例1：磨煤機堵磨預警
• 9.6.3 模型部署運行環境
• 9.6.2 模型研發環境
• 9.6.1 領域建模
• 9.6 軟件維度
• 9.5.4 不同方法間的轉化
• 9.5.3 數據驅動的方法
• 9.5.2 少量樣本驅動的方法
• 9.5.1 專家規則驅動的方法：AI-FIT-PM過程模型
• 9.5 建模方法維度
• 9.4 設備對象維度
• 9.3.8 性能優化：無固定范式
• 9.3.7 故障預測：4種思路
• 9.3.6 故障處置效果監控：“癥狀-異常類型/嚴重等級-處置措施-狀態”的范式
• 9.3.5 故障類型研判：“特征量-證據/現象-推理邏輯”的范式
• 9.3.4 健康評估：“劣化度-健康度-綜合評價”的范式
• 9.3.3 異常預警：“特征量-征兆量-研判規則”的范式
• 9.3.2 傳感器異常報警
• 9.3.1 共性要素
• 9.3 模型要素維度
• 9.2 知識沉淀方法的維度模型
• 9.1.5 現有的知識沉淀方法論
• 9.1.4 方法論的作用
• 9.1.3 業務領域
• 9.1.2 技術方法
• 9.1.1 知識類型
• 9.1 討論范疇
• 第9章 行業知識沉淀方法
• 參考文獻
• 8.5.3 宏觀環境變化的處理方法
• 8.5.2 例外場景的處理
• 8.5.1 預測量的要素分解方法
• 8.5 經營預測類問題
• 8.4.4 思考與小結
• 8.4.3 問題二：排班計劃
• 8.4.2 問題一：路線優化
• 8.4.1 業務問題描述
• 8.4 應用示例：電梯養護服務優化
• 8.3.7 大M法
• 8.3.6 消除變量相乘
• 8.3.5 邏輯表達式
• 8.3.4 條件型約束
• 8.3.3 或關系約束
• 8.3.2 目標函數不連續
• 8.3.1 決策變量值域不連續
• 8.3 整數規劃的建模技巧
• 8.2.4 范圍約束
• 8.2.3 分式目標函數
• 8.2.2 Min-Max問題
• 8.2.1 絕對值
• 8.2 線性規劃的建模技巧
• 8.1 決策優化問題的建模思路
• 第8章 生產效率優化
• 參考文獻
• 7.7 總結
• 7.6.4 操作參數優化
• 7.6.3 異常排查
• 7.6.2 最佳工藝路徑挖掘
• 7.6.1 應用示例
• 7.6 離散生產
• 7.5.3 動態控制優化
• 7.5.2 理想工藝過程擬合
• 7.5.1 應用示例
• 7.5 批次流程生產
• 7.4.4 其他分析
• 7.4.3 操作參數優化
• 7.4.2 工況劃分
• 7.4.1 應用示例
• 7.4 連續流程生產
• 7.3 時空模式分析
• 7.2.2 過程穩定性監控
• 7.2.1 物料跟蹤模型
• 7.2 基礎算法
• 7.1 概述
• 第7章 生產質量數據分析算法
• 參考文獻
• 6.4.4 不同類型問題的轉換
• 6.4.3 長時序分類問題
• 6.4.2 短時序分類問題
• 6.4.1 工業時序數據的特點
• 6.4 工業時序分析問題
• 6.3.9 持續某種狀態
• 6.3.8 二維形狀分析
• 6.3.7 一維曲線平滑與分區
• 6.3.6 變點檢測
• 6.3.5 超界
• 6.3.4 多點位不一致
• 6.3.3 平穩過程的漂移檢測
• 6.3.2 單調趨勢模式
• 6.3.1 毛刺檢測特征
• 6.3 典型征兆特征
• 6.2 通用時序特征
• 6.1.6 趨勢項的消除
• 6.1.5 大慣性系統
• 6.1.4 強噪聲
• 6.1.3 時間數據不連續
• 6.1.2 數據缺失
• 6.1.1 工況劃分
• 6.1 工業分析中的數據預處理
• 第6章 工業分析中的典型處理方法
• 參考文獻
• 5.4.3 時空數據
• 5.4.2 圖像數據
• 5.4.1 文本數據
• 5.4 特定數據類型的算法
• 5.3.2 典型工具
• 5.3.1 算法分類
• 5.3 系統辨識算法
• 5.2 規則推理算法
• 5.1.3 典型工具
• 5.1.2 經典組合優化模型
• 5.1.1 模型分類
• 5.1 最優化算法
• 第5章 其他算法
• 參考文獻
• 4.10.2 基于回歸建模的預測算法
• 4.10.1 基于時序分解的預測算法
• 4.10 時序預測
• 4.9.2 深度學習的方法
• 4.9.1 經典分析算法
• 4.9 時序分類
• 4.8.2 SAX距離
• 4.8.1 DTW距離
• 4.8 時序聚類
• 4.7.3 基于頻繁模式挖掘的方法
• 4.7.2 基于模型重構的方法
• 4.7.1 基于度量的方法
• 4.7 時序異常檢測
• 4.6.2 符號型頻繁模式
• 4.6.1 數值型頻繁模式
• 4.6 序列模式挖掘
• 4.5 時序再表征
• 4.4.4 應用示例
• 4.4.3 Autoplait
• 4.4.2 TreeSplit
• 4.4.1 Changepoint
• 4.4 時序分割
• 4.3.3 EMD及擴展方法
• 4.3.2 奇異譜分析
• 4.3.1 STL
• 4.3 時序分解
• 4.2.4 壓縮感知
• 4.2.3 時序變換
• 4.2.2 時頻分析
• 4.2.1 傅里葉變換的直觀理解
• 4.2 信號處理算法
• 4.1 時序算法簡介
• 第4章 時序數據挖掘算法
• 參考文獻
• 3.15.3 新計算范式
• 3.15.2 并行化計算
• 3.15.1 計算負載模式
• 3.15 機器學習算法的其他視角
• 3.14.5 深度學習算法的加速
• 3.14.4 常見疑惑
• 3.14.3 深度學習框架
• 3.14.2 深度學習算法分類
• 3.14.1 引言
• 3.14 深度學習
• 3.13.6 關聯規則評價
• 3.13.5 關聯規則可視化
• 3.13.4 關聯規則算法
• 3.13.3 關聯規則實現過程
• 3.13.2 關聯規則概念與度量指標
• 3.13.1 引言
• 3.13 關聯規則
• 3.12.6 聚類結果的評價
• 3.12.5 基于分布的聚類：GMM
• 3.12.4 基于密度的聚類：DBSCAN
• 3.12.3 基于層次的聚類：Hclust
• 3.12.2 基于距離的聚類：K-means、PAM
• 3.12.1 引言
• 3.12 聚類
• 3.11.4 特征重要度
• 3.11.3 評價方法
• 3.11.2 評價指標
• 3.11.1 引言
• 3.11 模型評價
• 3.10.4 Stacking方法
• 3.10.3 Boosting方法
• 3.10.2 Bagging方法
• 3.10.1 引言
• 3.10 集成學習
• 3.9.5 討論與擴展閱讀
• 3.9.4 一般圖模型
• 3.9.3 貝葉斯網絡
• 3.9.2 樸素貝葉斯
• 3.9.1 引言
• 3.9 概率圖模型與貝葉斯方法
• 3.8.4 討論
• 3.8.3 示例
• 3.8.2 工作原理
• 3.8.1 引言
• 3.8 隱馬爾可夫模型
• 3.7.5 擴展
• 3.7.4 不同SVM算法包的差異
• 3.7.3 nu-SVR算法
• 3.7.2 epsilon-SVR算法
• 3.7.1 引言
• 3.7 支持向量機（SVM）
• 3.6.3 常用決策樹算法
• 3.6.2 決策樹構建過程
• 3.6.1 決策樹的概念
• 3.6 決策樹
• 3.5.2 極限學習機
• 3.5.1 ANN逼近能力的直觀理解
• 3.5 神經網絡
• 3.4.5 MARS與其他算法的關系
• 3.4.4 變量重要性評價
• 3.4.3 后剪枝過程
• 3.4.2 前向計算過程
• 3.4.1 引言
• 3.4 多元自適應回歸樣條（MARS）
• 3.3.6 擴展
• 3.3.5 結構復雜度懲罰（正則化）
• 3.3.4 魯棒線性回歸
• 3.3.3 OLS模型檢驗
• 3.3.2 基礎線性回歸模型——OLS模型
• 3.3.1 引言
• 3.3 線性回歸模型
• 3.2.5 小結
• 3.2.4 混合概率分布估計
• 3.2.3 單概率分布的參數化擬合
• 3.2.2 基于核函數的非參數方法
• 3.2.1 引言
• 3.2 統計分布擬合
• 3.1.3 假設檢驗
• 3.1.2 參數估計
• 3.1.1 概率分布
• 3.1 統計分析
• 第3章 機器學習算法
• 參考文獻
• 2.6.4 小結
• 2.6.3 子集評價
• 2.6.2 搜索策略
• 2.6.1 特征選擇的框架
• 2.6 特征選擇
• 2.5.3 基于語法樹的變量間組合特征生成
• 2.5.2 基于關聯關系的特征自動生成
• 2.5.1 基于數據類型的特征提取
• 2.5 特征提取
• 2.4.5 小結
• 2.4.4 細致求實的基本素養
• 2.4.3 機理演繹法
• 2.4.2 業務的數據化
• 2.4.1 數據的業務化
• 2.4 數據質量問題
• 2.3.4 小結
• 2.3.3 其他工具包
• 2.3.2 R語言EDA包
• 2.3.1 引言
• 2.3 探索型數據分析（EDA）
• 2.2.7 分段線性回歸如何通過lm()實現
• 2.2.6 獲取R文件的所在路徑
• 2.2.5 參數區間的對比顯示（在概率密度圖上）
• 2.2.4 時序數據可視化：NA用來間隔顯示時序
• 2.2.3 時序數據可視化：多個子圖共用一個x軸
• 2.2.2 帶時間戳的數據框合并
• 2.2.1 cumsum等primitive函數的利用：避免循環
• 2.2 數據分析的數據操作技巧
• 2.1.2 數據可視化
• 2.1.1 數據框的基本操作
• 2.1 數據操作基礎
• 第2章 數據預處理
• 參考文獻
• 1.4.4 工程化思維
• 1.4.3 分析算法背后的樸素思想
• 1.4.2 必讀圖書
• 1.4.1 分析算法理解的維度與路徑
• 1.4 工業大數據分析師的算法修養
• 1.3.3 云端分析軟件
• 1.3.2 圖形化桌面軟件
• 1.3.1 腳本語言軟件
• 1.3 數據分析工具軟件
• 1.2.2 分析課題的執行路徑
• 1.2.1 CRISP-DM簡介
• 1.2 數據挖掘的過程方法
• 1.1.4 數據分析的典型手段
• 1.1.3 工業數據分析的特點
• 1.1.2 典型分析主題
• 1.1.1 數據分析的范疇
• 1.1 工業大數據分析的范疇與特點
• 第1章 工業大數據分析概覽
• 前言
• 叢書序二
• 叢書序一
• 大數據與“智能+”產教融合叢書編輯委員會
• 內容簡介
• 內容概述
• 版權信息
• 封面

• 封面
• 版權信息
• 內容概述
• 內容簡介
• 大數據與“智能+”產教融合叢書編輯委員會
• 叢書序一
• 叢書序二
• 前言
• 第1章 工業大數據分析概覽
• 1.1 工業大數據分析的范疇與特點
• 1.1.1 數據分析的范疇
• 1.1.2 典型分析主題
• 1.1.3 工業數據分析的特點
• 1.1.4 數據分析的典型手段
• 1.2 數據挖掘的過程方法
• 1.2.1 CRISP-DM簡介
• 1.2.2 分析課題的執行路徑
• 1.3 數據分析工具軟件
• 1.3.1 腳本語言軟件
• 1.3.2 圖形化桌面軟件
• 1.3.3 云端分析軟件
• 1.4 工業大數據分析師的算法修養
• 1.4.1 分析算法理解的維度與路徑
• 1.4.2 必讀圖書
• 1.4.3 分析算法背后的樸素思想
• 1.4.4 工程化思維
• 參考文獻
• 第2章 數據預處理
• 2.1 數據操作基礎
• 2.1.1 數據框的基本操作
• 2.1.2 數據可視化
• 2.2 數據分析的數據操作技巧
• 2.2.1 cumsum等primitive函數的利用：避免循環
• 2.2.2 帶時間戳的數據框合并
• 2.2.3 時序數據可視化：多個子圖共用一個x軸
• 2.2.4 時序數據可視化：NA用來間隔顯示時序
• 2.2.5 參數區間的對比顯示（在概率密度圖上）
• 2.2.6 獲取R文件的所在路徑
• 2.2.7 分段線性回歸如何通過lm()實現
• 2.3 探索型數據分析（EDA）
• 2.3.1 引言
• 2.3.2 R語言EDA包
• 2.3.3 其他工具包
• 2.3.4 小結
• 2.4 數據質量問題
• 2.4.1 數據的業務化
• 2.4.2 業務的數據化
• 2.4.3 機理演繹法
• 2.4.4 細致求實的基本素養
• 2.4.5 小結
• 2.5 特征提取
• 2.5.1 基于數據類型的特征提取
• 2.5.2 基于關聯關系的特征自動生成
• 2.5.3 基于語法樹的變量間組合特征生成
• 2.6 特征選擇
• 2.6.1 特征選擇的框架
• 2.6.2 搜索策略
• 2.6.3 子集評價
• 2.6.4 小結
• 參考文獻
• 第3章 機器學習算法
• 3.1 統計分析
• 3.1.1 概率分布
• 3.1.2 參數估計
• 3.1.3 假設檢驗
• 3.2 統計分布擬合
• 3.2.1 引言
• 3.2.2 基于核函數的非參數方法
• 3.2.3 單概率分布的參數化擬合
• 3.2.4 混合概率分布估計
• 3.2.5 小結
• 3.3 線性回歸模型
• 3.3.1 引言
• 3.3.2 基礎線性回歸模型——OLS模型
• 3.3.3 OLS模型檢驗
• 3.3.4 魯棒線性回歸
• 3.3.5 結構復雜度懲罰（正則化）
• 3.3.6 擴展
• 3.4 多元自適應回歸樣條（MARS）
• 3.4.1 引言
• 3.4.2 前向計算過程
• 3.4.3 后剪枝過程
• 3.4.4 變量重要性評價
• 3.4.5 MARS與其他算法的關系
• 3.5 神經網絡
• 3.5.1 ANN逼近能力的直觀理解
• 3.5.2 極限學習機
• 3.6 決策樹
• 3.6.1 決策樹的概念
• 3.6.2 決策樹構建過程
• 3.6.3 常用決策樹算法
• 3.7 支持向量機（SVM）
• 3.7.1 引言
• 3.7.2 epsilon-SVR算法
• 3.7.3 nu-SVR算法
• 3.7.4 不同SVM算法包的差異
• 3.7.5 擴展
• 3.8 隱馬爾可夫模型
• 3.8.1 引言
• 3.8.2 工作原理
• 3.8.3 示例
• 3.8.4 討論
• 3.9 概率圖模型與貝葉斯方法
• 3.9.1 引言
• 3.9.2 樸素貝葉斯
• 3.9.3 貝葉斯網絡
• 3.9.4 一般圖模型
• 3.9.5 討論與擴展閱讀
• 3.10 集成學習
• 3.10.1 引言
• 3.10.2 Bagging方法
• 3.10.3 Boosting方法
• 3.10.4 Stacking方法
• 3.11 模型評價
• 3.11.1 引言
• 3.11.2 評價指標
• 3.11.3 評價方法
• 3.11.4 特征重要度
• 3.12 聚類
• 3.12.1 引言
• 3.12.2 基于距離的聚類：K-means、PAM
• 3.12.3 基于層次的聚類：Hclust
• 3.12.4 基于密度的聚類：DBSCAN
• 3.12.5 基于分布的聚類：GMM
• 3.12.6 聚類結果的評價
• 3.13 關聯規則
• 3.13.1 引言
• 3.13.2 關聯規則概念與度量指標
• 3.13.3 關聯規則實現過程
• 3.13.4 關聯規則算法
• 3.13.5 關聯規則可視化
• 3.13.6 關聯規則評價
• 3.14 深度學習
• 3.14.1 引言
• 3.14.2 深度學習算法分類
• 3.14.3 深度學習框架
• 3.14.4 常見疑惑
• 3.14.5 深度學習算法的加速
• 3.15 機器學習算法的其他視角
• 3.15.1 計算負載模式
• 3.15.2 并行化計算
• 3.15.3 新計算范式
• 參考文獻
• 第4章 時序數據挖掘算法
• 4.1 時序算法簡介
• 4.2 信號處理算法
• 4.2.1 傅里葉變換的直觀理解
• 4.2.2 時頻分析
• 4.2.3 時序變換
• 4.2.4 壓縮感知
• 4.3 時序分解
• 4.3.1 STL
• 4.3.2 奇異譜分析
• 4.3.3 EMD及擴展方法
• 4.4 時序分割
• 4.4.1 Changepoint
• 4.4.2 TreeSplit
• 4.4.3 Autoplait
• 4.4.4 應用示例
• 4.5 時序再表征
• 4.6 序列模式挖掘
• 4.6.1 數值型頻繁模式
• 4.6.2 符號型頻繁模式
• 4.7 時序異常檢測
• 4.7.1 基于度量的方法
• 4.7.2 基于模型重構的方法
• 4.7.3 基于頻繁模式挖掘的方法
• 4.8 時序聚類
• 4.8.1 DTW距離
• 4.8.2 SAX距離
• 4.9 時序分類
• 4.9.1 經典分析算法
• 4.9.2 深度學習的方法
• 4.10 時序預測
• 4.10.1 基于時序分解的預測算法
• 4.10.2 基于回歸建模的預測算法
• 參考文獻
• 第5章 其他算法
• 5.1 最優化算法
• 5.1.1 模型分類
• 5.1.2 經典組合優化模型
• 5.1.3 典型工具
• 5.2 規則推理算法
• 5.3 系統辨識算法
• 5.3.1 算法分類
• 5.3.2 典型工具
• 5.4 特定數據類型的算法
• 5.4.1 文本數據
• 5.4.2 圖像數據
• 5.4.3 時空數據
• 參考文獻
• 第6章 工業分析中的典型處理方法
• 6.1 工業分析中的數據預處理
• 6.1.1 工況劃分
• 6.1.2 數據缺失
• 6.1.3 時間數據不連續
• 6.1.4 強噪聲
• 6.1.5 大慣性系統
• 6.1.6 趨勢項的消除
• 6.2 通用時序特征
• 6.3 典型征兆特征
• 6.3.1 毛刺檢測特征
• 6.3.2 單調趨勢模式
• 6.3.3 平穩過程的漂移檢測
• 6.3.4 多點位不一致
• 6.3.5 超界
• 6.3.6 變點檢測
• 6.3.7 一維曲線平滑與分區
• 6.3.8 二維形狀分析
• 6.3.9 持續某種狀態
• 6.4 工業時序分析問題
• 6.4.1 工業時序數據的特點
• 6.4.2 短時序分類問題
• 6.4.3 長時序分類問題
• 6.4.4 不同類型問題的轉換
• 參考文獻
• 第7章 生產質量數據分析算法
• 7.1 概述
• 7.2 基礎算法
• 7.2.1 物料跟蹤模型
• 7.2.2 過程穩定性監控
• 7.3 時空模式分析
• 7.4 連續流程生產
• 7.4.1 應用示例
• 7.4.2 工況劃分
• 7.4.3 操作參數優化
• 7.4.4 其他分析
• 7.5 批次流程生產
• 7.5.1 應用示例
• 7.5.2 理想工藝過程擬合
• 7.5.3 動態控制優化
• 7.6 離散生產
• 7.6.1 應用示例
• 7.6.2 最佳工藝路徑挖掘
• 7.6.3 異常排查
• 7.6.4 操作參數優化
• 7.7 總結
• 參考文獻
• 第8章 生產效率優化
• 8.1 決策優化問題的建模思路
• 8.2 線性規劃的建模技巧
• 8.2.1 絕對值
• 8.2.2 Min-Max問題
• 8.2.3 分式目標函數
• 8.2.4 范圍約束
• 8.3 整數規劃的建模技巧
• 8.3.1 決策變量值域不連續
• 8.3.2 目標函數不連續
• 8.3.3 或關系約束
• 8.3.4 條件型約束
• 8.3.5 邏輯表達式
• 8.3.6 消除變量相乘
• 8.3.7 大M法
• 8.4 應用示例：電梯養護服務優化
• 8.4.1 業務問題描述
• 8.4.2 問題一：路線優化
• 8.4.3 問題二：排班計劃
• 8.4.4 思考與小結
• 8.5 經營預測類問題
• 8.5.1 預測量的要素分解方法
• 8.5.2 例外場景的處理
• 8.5.3 宏觀環境變化的處理方法
• 參考文獻
• 第9章 行業知識沉淀方法
• 9.1 討論范疇
• 9.1.1 知識類型
• 9.1.2 技術方法
• 9.1.3 業務領域
• 9.1.4 方法論的作用
• 9.1.5 現有的知識沉淀方法論
• 9.2 知識沉淀方法的維度模型
• 9.3 模型要素維度
• 9.3.1 共性要素
• 9.3.2 傳感器異常報警
• 9.3.3 異常預警：“特征量-征兆量-研判規則”的范式
• 9.3.4 健康評估：“劣化度-健康度-綜合評價”的范式
• 9.3.5 故障類型研判：“特征量-證據/現象-推理邏輯”的范式
• 9.3.6 故障處置效果監控：“癥狀-異常類型/嚴重等級-處置措施-狀態”的范式
• 9.3.7 故障預測：4種思路
• 9.3.8 性能優化：無固定范式
• 9.4 設備對象維度
• 9.5 建模方法維度
• 9.5.1 專家規則驅動的方法：AI-FIT-PM過程模型
• 9.5.2 少量樣本驅動的方法
• 9.5.3 數據驅動的方法
• 9.5.4 不同方法間的轉化
• 9.6 軟件維度
• 9.6.1 領域建模
• 9.6.2 模型研發環境
• 9.6.3 模型部署運行環境
• 9.7 應用示例1：磨煤機堵磨預警
• 9.8 應用示例2：磨煤機暗斷煤檢測
• 9.9 應用示例3：發電機線棒高溫預警
• 9.9.1 案例背景
• 9.9.2 系統動力學模型
• 9.9.3 異常預警規則模型
• 9.9.4 故障排查邏輯
• 9.10 討論與總結
• 參考文獻
• 第10章 數據分析軟件工程
• 10.1 數據分析項目失敗的原因
• 10.2 傳統的數據分析模式
• 10.3 生產環境下的機器學習模型
• 10.3.1 應用范式
• 10.3.2 模型格式
• 10.4 MLOps
• 10.4.1 MLOps的內容
• 10.4.2 MLOps與其他Ops的關系
• 10.4.3 MLOps的支撐軟件
• 10.4.4 工業數據分析MLOps的特點
• 10.4.5 MLOps的適用范圍
• 10.5 分析應用組件
• 10.5.1 分析服務引擎
• 10.5.2 Web應用引擎
• 10.6 分析報告工具
• 10.6.1 交互式報告工具
• 10.6.2 基于Markdown的報告工具
• 10.6.3 基于Office API的報告工具
• 10.7 計算任務管理
• 10.7.1 任務管理
• 10.7.2 計算并行化
• 10.8 總結
• 參考文獻
• 作者簡介
• 封底 更新時間：2023-05-06 17:55:04