Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción 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
Programa de formación
Contenido del curso
1
Detección de valores atípicos univariantes
Este capítulo abarca técnicas para detectar valores atípicos en datos unidimensionales usando histogramas, diagramas de dispersión, diagramas de caja, z-scores y z-scores modificados.
- ¿Qué son las anomalías y los valores atípicos?50 XP
- Imprime un resumen de 5 números100 XP
- Histogramas para detectar valores atípicos100 XP
- Diagramas de dispersión para la detección de valores atípicos100 XP
- Diagramas de caja y IQR50 XP
- Diagramas de caja para detectar valores atípicos100 XP
- Calcular límites de atípicos con el IQR100 XP
- Usar límites de valores atípicos para filtrar100 XP
- Uso de z-scores para la detección de anomalías50 XP
- Detectar valores atípicos con z-scores100 XP
- Uso de puntuaciones z modificadas con PyOD100 XP
2
Isolation Forests con PyOD
En este capítulo, aprenderás en detalle cómo funciona el algoritmo Isolation Forest. Explora cómo se construyen los Isolation Trees, los parámetros esenciales de IForest en PyOD y cómo ajustarlos, y cómo interpretar la salida de IForest usando puntuaciones de probabilidad de atípico.
3
Algoritmos basados en distancia y densidad
Después de un clasificador de atípicos basado en árboles, explorarás una familia de detectores basados en distancia y densidad. Los clasificadores KNN y Local Outlier Factor han demostrado ser muy efectivos en este ámbito, y aprenderás a utilizarlos.
4
Detección de anomalías en series temporales y conjuntos de clasificadores
En este capítulo, aprenderás a realizar detección de anomalías en conjuntos de datos de series temporales y a hacer que tus predicciones sean más estables y fiables usando conjuntos de clasificadores de atípicos.
Detección de anomalías en Python
Curso
completado
