Kurs
Anomalieerkennung mit Python
FortgeschrittenSchwierigkeitsgrad
Aktualisiert 11.2025Kurs kostenlos starten
Im Lieferumfang enthalten beiPremium or Teams
PythonProbability & Statistics4 Std.16 Videos59 Übungen4,950 XP6,788Leistungsnachweis
Kostenloses Konto erstellen
oder
Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.Beliebt bei Lernenden in Tausenden Unternehmen
Training für 2 oder mehr Personen?
Probiere es mit DataCamp for BusinessKursbeschreibung
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
Supervised Learning with scikit-learn1
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.
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
Leistungsnachweis verdienen
Füge diesen Fähigkeitsnachweis zu Deinem LinkedIn-Profil, Anschreiben oder Lebenslauf hinzuTeile es auf Social Media und in Deiner Leistungsbeurteilung
Im Lieferumfang enthalten beiPremium or Teams
Jetzt anmeldenSchließe dich 19 Millionen Lernenden an und starte Anomalieerkennung mit Python heute!
Kostenloses Konto erstellen
oder
Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.