Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
¿Te preocupan los registros inexactos o sospechosos en tus datos y no sabes por dónde empezar? ¡Un algoritmo de detección de anomalías puede ayudarte! La detección de anomalías es un conjunto de técnicas diseñadas para identificar puntos de datos inusuales, y es clave para detectar fraude y proteger redes informáticas de actividad maliciosa. En este curso, explorarás pruebas estadísticas para identificar valores atípicos y aprenderás a usar algoritmos avanzados de puntuación de anomalías como el local outlier factor y el isolation forest. Aplicarás algoritmos de detección de anomalías para identificar vinos inusuales en el conjunto de datos UCI Wine Quality y también para detectar casos de enfermedad tiroidea a partir de mediciones hormonales anómalas.
Requisitos previos
Programa de formación
Contenido del curso
1
Detección estadística de valores atípicos
En este capítulo, aprenderás cómo los resúmenes numéricos y gráficos pueden usarse para evaluar de forma informal si los datos contienen puntos inusuales. Utilizarás un procedimiento estadístico llamado prueba de Grubbs para comprobar si un punto es un valor atípico y conocerás el algoritmo Seasonal-Hybrid ESD, que puede ayudar a identificar valores atípicos cuando los datos forman una serie temporal.
- ¿A qué nos referimos cuando hablamos de anomalías?50 XP
- Reconocer tipos de anomalías50 XP
- Explorar los datos de nitrato del río100 XP
- Poniendo a prueba los extremos con la prueba de Grubbs50 XP
- Comprobación visual de normalidad100 XP
- Prueba de Grubbs100 XP
- Buscar múltiples valores atípicos con la prueba de Grubbs100 XP
- Anomalías en series temporales50 XP
- Evaluación visual de la estacionalidad100 XP
- Algoritmo Seasonal Hybrid ESD100 XP
- Interpretar la salida de Seasonal-Hybrid ESD100 XP
- Seasonal-Hybrid ESD frente a la prueba de Grubbs50 XP
2
Detección de anomalías basada en distancia y densidad
En este capítulo, aprenderás a calcular la distancia de los k vecinos más cercanos y el local outlier factor, que se utilizan para construir puntuaciones de anomalía continuas para cada punto de datos cuando los datos tienen múltiples características. Aprenderás la diferencia entre anomalías locales y globales y cómo pueden ayudar ambos algoritmos en cada caso.
3
Isolation forest
La distancia de los k vecinos más cercanos y el local outlier factor usan la distancia o la densidad relativa de los vecinos más cercanos para puntuar cada punto. En este capítulo, explorarás un enfoque alternativo basado en árboles llamado isolation forest, que es un método rápido y robusto para detectar anomalías y que mide lo fácilmente que se pueden separar los puntos dividiendo aleatoriamente los datos en regiones cada vez más pequeñas.
4
Comparación del rendimiento
Ya has conocido varios algoritmos para puntuar anomalías. En este capítulo final, aprenderás a comparar el rendimiento de detección de los algoritmos en casos donde hay anomalías etiquetadas. Aprenderás a calcular e interpretar las estadísticas de precisión y exhaustividad (recall) para una puntuación de anomalía, y cómo adaptar los algoritmos para que puedan manejar datos con características categóricas.
R
Introducción a la detección de anomalías en R
Curso
completado
