Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Machst du dir Sorgen über ungenaue oder verdächtige Einträge in deinen Daten und weißt nicht, wo du anfangen sollst? Ein Anomalieerkennungs-Algorithmus kann helfen! Anomalieerkennung ist eine Sammlung von Techniken, die ungewöhnliche Datenpunkte identifizieren, und ist entscheidend für die Aufdeckung von Betrug und den Schutz von Computernetzwerken vor bösartiger Aktivität. In diesem Kurs lernst du statistische Tests zur Identifizierung von Ausreißern kennen und arbeitest mit fortgeschrittenen Scoring-Algorithmen wie dem Local Outlier Factor und dem Isolation Forest. Du wendest Anomalieerkennungs-Algorithmen an, um ungewöhnliche Weine im UCI Wine Quality Datensatz zu finden und Fälle von Schilddrüsenerkrankungen anhand abnormaler Hormonmessungen zu erkennen.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Statistische Ausreißererkennung
In diesem Kapitel lernst du, wie numerische und grafische Zusammenfassungen genutzt werden können, um informell zu beurteilen, ob Daten ungewöhnliche Punkte enthalten. Du verwendest ein statistisches Verfahren namens Grubbs-Test, um zu prüfen, ob ein Punkt ein Ausreißer ist, und lernst den Seasonal-Hybrid-ESD-Algorithmus kennen, der hilft, Ausreißer zu identifizieren, wenn es sich bei den Daten um eine Zeitreihe handelt.
- Was meinen wir, wenn wir von Anomalien sprechen?50 XP
- Anomalietypen erkennen50 XP
- Erkunde die Fluss-Nitratdaten100 XP
- Extreme mit dem Grubbs-Test prüfen50 XP
- Visuelle Prüfung auf Normalverteilung100 XP
- Grubbs-Test100 XP
- Mehrere Ausreißer mit dem Grubbs-Test aufspüren100 XP
- Auffälligkeiten in Zeitreihen50 XP
- Visuelle Beurteilung von Saisonalität100 XP
- Seasonal Hybrid ESD-Algorithmus100 XP
- Seasonal-Hybrid-ESD-Ausgabe interpretieren100 XP
- Seasonal-Hybrid ESD versus Grubbs’ Test50 XP
2
Distanz- und dichtebasierte Anomalieerkennung
In diesem Kapitel lernst du, wie du die Distanz der k-nächsten Nachbarn und den Local Outlier Factor berechnest, mit denen kontinuierliche Anomalie-Scores für jeden Datenpunkt erstellt werden, wenn die Daten mehrere Merkmale haben. Du lernst den Unterschied zwischen lokalen und globalen Anomalien und wie die beiden Algorithmen in jedem Fall helfen können.
3
Isolation Forest
Die Distanz der k-nächsten Nachbarn und der Local Outlier Factor nutzen die Distanz bzw. relative Dichte der nächsten Nachbarn, um jeden Punkt zu bewerten. In diesem Kapitel erkundest du einen alternativen, baumbasierten Ansatz namens Isolation Forest, eine schnelle und robuste Methode zur Erkennung von Anomalien, die misst, wie leicht Punkte getrennt werden können, indem die Daten zufällig in immer kleinere Bereiche aufgeteilt werden.
4
Leistungsvergleich
Du hast nun einige verschiedene Algorithmen für Anomalie-Scores kennengelernt. In diesem letzten Kapitel erfährst du, wie du die Erkennungsleistung der Algorithmen vergleichst, wenn gelabelte Anomalien verfügbar sind. Du lernst, Präzision und Recall für einen Anomalie-Score zu berechnen und zu interpretieren, und wie du die Algorithmen anpasst, damit sie auch Daten mit kategorialen Merkmalen verarbeiten können.
R
Einführung in die Anomalieerkennung in R
Kurs
abgeschlossen
