50 % Rabatt auf DataCamp Premium. Über 700 Kurse zum halben Preis. Beginne jetzt mit dem Lernen.
Kursbeschreibung
Finde Fehler in deiner Datenanalyse
In fast jedem Datensatz gibt's Extremwerte oder Anomalien, und es ist wichtig, die zu erkennen und zu bearbeiten, bevor man mit der statistischen Untersuchung weitermacht. Wenn man Anomalien einfach ignoriert, können sie deine Analysen ganz leicht durcheinanderbringen und die Leistung von Machine-Learning-Modellen verzerren.
Lerne, Schätzfunktionen wie Isolation Forest und Local Outlier Factor zu nutzen
In diesem Kurs lernst du, Python zu nutzen, um verschiedene Methoden zur Erkennung von Anomalien umzusetzen. Du erkennst Extremwerte auf einen Blick und nutzt bewährte statistische Verfahren wie die mittlere absolute Abweichung für univariate Datensätze. Für multivariate Daten lernst du, Schätzer wie Isolation Forest, k-Nearest-Neighbors und Local Outlier Factor zu benutzen. Du lernst auch, wie du mehrere Ausreißerklassifikatoren zu einem risikoarmen endgültigen Schätzer zusammenfassen kannst. Du wirst mit einem wichtigen Data-Science-Tool ausgestattet sein: Anomalieerkennung mit Python.
Erweitere dein Python-Statistik-Toolkit
Bessere Erkennung von Anomalien heißt, dass du deine Daten besser verstehst und vor allem die Ursachen besser analysieren und über das Systemverhalten besser reden kannst. Wenn du diese Fähigkeit zu deinem Python-Repertoire hinzufügst, kannst du Daten besser bereinigen, Betrugsfälle erkennen und Systemstörungen identifizieren.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Univariate Ausreißer erkennen
In diesem Kapitel lernst du Techniken zur Erkennung von Ausreißern in eindimensionalen Daten mit Histogrammen, Streudiagrammen, Boxplots, z-Scores und modifizierten z-Scores.
- Was sind Anomalien und Ausreißer?50 XP
- Gib eine 5-Punkte-Zusammenfassung aus100 XP
- Histogramme zur Ausreißererkennung100 XP
- Streudiagramme zur Ausreißererkennung100 XP
- Boxplots und IQR50 XP
- Boxplots zur Ausreißererkennung100 XP
- Ausreißergrenzen mit dem IQR berechnen100 XP
- Ausreißergrenzen zum Filtern verwenden100 XP
- Z-Scores zur Anomalieerkennung verwenden50 XP
- Ausreißer mit z-Scores finden100 XP
- Modifizierte z-Scores mit PyOD verwenden100 XP
2
Isolation Forests mit PyOD
In diesem Kapitel lernst du die Details und Funktionsweise des Isolation-Forest-Algorithmus kennen. Du erforschst, wie Isolation Trees aufgebaut werden, welche entscheidenden Parameter PyODs IForest hat und wie man sie abstimmt, und wie du die Ausgaben von IForest mithilfe von Ausreißer-Wahrscheinlichkeitswerten interpretierst.
3
Abstands- und Dichtebasierte Algorithmen
Nach einem baumbasierten Ausreißerklassifizierer lernst du eine Klasse von abstands- und dichtebasierten Detektoren kennen. KNN- und Local-Outlier-Factor-Klassifizierer haben sich hier als sehr effektiv erwiesen, und du erfährst, wie du sie einsetzt.
4
Zeitreihen-Anomalieerkennung und Ausreißer-Ensembles
In diesem Kapitel lernst du, wie du Anomalieerkennung auf Zeitreihendatensätzen durchführst und deine Vorhersagen mithilfe von Ausreißer-Ensembles stabiler und vertrauenswürdiger machst.
Anomalieerkennung mit Python
Kurs
abgeschlossen
