Curso
Detección de anomalías en Python
IntermedioNivel de habilidad
Actualizado 11/2025Comienza El Curso Gratis
Incluido conPremium or Teams
PythonProbability & Statistics4 h16 vídeos59 Ejercicios4,950 XP6,826Certificado de logros
Crea Tu Cuenta Gratuita
o
Al continuar, aceptas nuestros Términos de uso, nuestra Política de privacidad y que tus datos se almacenen en los EE. UU.Preferido por estudiantes en miles de empresas
¿Formar a 2 o más personas?
Probar DataCamp for BusinessDescripción del curso
Detecta anomalías en tu análisis de datos
En casi cualquier conjunto de datos hay valores extremos o anomalías, y es fundamental detectarlos y tratarlos antes de continuar con el análisis estadístico. Si no se corrigen, las anomalías pueden alterar fácilmente tus análisis y sesgar el rendimiento de los modelos de machine learning.
Aprende a utilizar estimadores como Isolation Forest y Local Outlier Factor.
En este curso, utilizarás Python para implementar diversos métodos de detección de anomalías. Podrás detectar valores extremos visualmente y utilizar técnicas estadísticas probadas, como la desviación absoluta mediana para conjuntos de datos univariantes. Para datos multivariantes, aprenderás a utilizar estimadores como Isolation Forest, k-Nearest-Neighbors y Local Outlier Factor. También aprenderás a combinar varios clasificadores de valores atípicos en un estimador final de bajo riesgo. Obtendrás una herramienta esencial para la ciencia de datos: la detección de anomalías con Python.
Amplía tu kit de herramientas estadísticas de Python
Una mejor detección de anomalías significa una mejor comprensión de tus datos y, en particular, un mejor análisis de las causas fundamentales y una mejor comunicación sobre el comportamiento del sistema. Añadir esta habilidad a tu repertorio actual de Python te ayudará con la limpieza de datos, la detección de fraudes y la identificación de perturbaciones en el sistema.
Requisitos previos
Supervised Learning with scikit-learn1
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.
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.
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.
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.
Detección de anomalías en Python
Curso completo
Obtener certificado de logros
Añade esta certificación a tu perfil de LinkedIn o a tu currículum.Compártelo en redes sociales y en tu evaluación de desempeño.
Incluido conPremium or Teams
Inscríbete Ahora¡Únete a 19 millones de estudiantes y empieza Detección de anomalías en Python hoy mismo!
Crea Tu Cuenta Gratuita
o
Al continuar, aceptas nuestros Términos de uso, nuestra Política de privacidad y que tus datos se almacenen en los EE. UU.