Weiter zum Inhalt

Startseite Python

Kurs

Anomalieerkennung mit Python

FortgeschrittenSchwierigkeitsgrad

Aktualisiert 11/2025

Entdecke in diesem vierstündigen Kurs Anomalien in deiner Datenanalyse und erweitere dein Python-Statistik-Toolkit.

Kurs kostenlos starten

PythonProbability & Statistics4 Std.16 Videos59 Übungen4,950 XP7,012Leistungsnachweis

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 Business

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

Supervised Learning with scikit-learn

1

Detecting Univariate Outliers

This chapter covers techniques to detect outliers in 1-dimensional data using histograms, scatterplots, box plots, z-scores, and modified z-scores.

What are anomalies and outliers?

Print a 5-number summary

Histograms for outlier detection

Scatterplots for outlier detection

Box plots and IQR

Boxplots for outlier detection

Calculating outlier limits with IQR

Using outlier limits for filtering

Using z-scores for Anomaly Detection

Finding outliers with z-scores

Using modified z-scores with PyOD

Kapitel starten

2

Isolation Forests with PyOD

In this chapter, you’ll learn the ins and outs of how the Isolation Forest algorithm works. Explore how Isolation Trees are built, the essential parameters of PyOD's IForest and how to tune them, and how to interpret the output of IForest using outlier probability scores.

Getting started with Isolation Forests

The difference between univariate and multivariate anomalies

Detecting outliers with IForest

Overview of Isolation Forest hyperparameters

Most important IForest parameters

Choosing contamination

Choosing n_estimators

Checking the theory

Hyperparameter tuning of Isolation Forest

Tuning contamination

Tuning multiple hyperparameters

Interpreting the output of IForest

Alternative way of classifying with IForest

Using outlier probabilities

Kapitel starten

3

Distance and Density-based Algorithms

After a tree-based outlier classifier, you will explore a class of distance and density-based detectors. KNN and Local Outlier Factor classifiers have been proven highly effective in this area, and you will learn how to use them.

KNN for outlier detection

KNN for the first time

KNN with outlier probabilities

Outlier-robust feature scaling

Finding the euclidean distance manually

Finding the euclidean distance with SciPy

Practicing standardization

Testing QuantileTransformer

Hyperparameters of KNN

Differentiating distance metrics

Calculating manhattan distance manually

Tuning n_neighbors

Tuning the aggregation method

Local Outlier Factor

LOF for the first time

LOF with outlier probabilities

Kapitel starten

4

Time Series Anomaly Detection and Outlier Ensembles

In this chapter, you’ll learn how to perform anomaly detection on time series datasets and make your predictions more stable and trustworthy using outlier ensembles.

Introduction to time series

Working with DateTime columns

Creating a DateTimeIndex

MAD on time series

Isolation Forest on time series

Time Series Decomposition for Outlier Detection

Practicing decomposition

Fitting on residuals

Outlier classifier ensembles

Scaling parts of a dataset

Manual outlier ensembles - creating the arrays

Storing outlier probabilities

Aggregating and thresholding the probabilities

How to deal with identified outliers

Classifying the reasons for outlier presence

When to drop outliers

Non-aggressive methods of dealing with outliers

Congratulations!

Kapitel starten

Anomalieerkennung mit Python

Kurs
abgeschlossen

Leistungsnachweis verdienen

Füge diesen Fähigkeitsnachweis zu Deinem LinkedIn-Profil, Anschreiben oder Lebenslauf hinzu
Teile es auf Social Media und in Deiner LeistungsbeurteilungJetzt anmelden

Schließe 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.

DataCamp gibt es auch für Mobilgeräte

Mit unseren Kursen für Mobilgeräte und täglichen Programmier-Challenges erweiterst du deine Datenkompetenz von unterwegs.