Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Identifiez les anomalies dans votre analyse de données
Des valeurs extrêmes ou des anomalies sont présentes dans presque tous les ensembles de données, et il est essentiel de les détecter et de les traiter avant de poursuivre l'exploration statistique. Si elles ne sont pas corrigées, les anomalies peuvent facilement perturber vos analyses et fausser les performances des modèles d'apprentissage automatique.
Apprenez à utiliser des estimateurs tels que la forêt d'isolation et le facteur d'aberration local.
Dans ce cours, vous utiliserez Python pour mettre en œuvre diverses méthodes de détection des anomalies. Vous identifierez visuellement les valeurs extrêmes et utiliserez des techniques statistiques éprouvées telles que l'écart absolu médian pour les ensembles de données univariés. Pour les données multivariées, vous apprendrez à utiliser des estimateurs tels que Isolation Forest, k-Nearest-Neighbors et Local Outlier Factor. Vous apprendrez également comment regrouper plusieurs classificateurs d'aberrations en un estimateur final à faible risque. Vous repartirez avec un outil essentiel de science des données à votre actif : la détection d'anomalies avec Python.
Développez votre boîte à outils statistiques Python
Une meilleure détection des anomalies permet une meilleure compréhension de vos données et, en particulier, une meilleure analyse des causes profondes et une meilleure communication concernant le comportement du système. L'ajout de cette compétence à votre répertoire Python existant vous aidera dans le nettoyage des données, la détection des fraudes et l'identification des perturbations du système.
Prérequis
Programme de formation
Plan du cours
1
Détecter des valeurs aberrantes univariées
Ce chapitre présente des techniques pour détecter des valeurs aberrantes dans des données à 1 dimension à l’aide d’histogrammes, de nuages de points, de boîtes à moustaches, de z-scores et de z-scores modifiés.
- Que sont les anomalies et les valeurs aberrantes ?50 XP
- Afficher un résumé en 5 nombres100 XP
- Histogrammes pour détecter les valeurs aberrantes100 XP
- Nuages de points pour détecter les valeurs aberrantes100 XP
- Boîtes à moustaches et IQR50 XP
- Boîtes à moustaches pour détecter les valeurs aberrantes100 XP
- Calculer les seuils d’anomalies avec l’IQR100 XP
- Filtrer à l’aide des bornes d’anomalie100 XP
- Utiliser les z-scores pour la détection d’anomalies50 XP
- Détecter les valeurs aberrantes avec les z-scores100 XP
- Utiliser les z-scores modifiés avec PyOD100 XP
2
Isolation Forests avec PyOD
Dans ce chapitre, vous apprendrez en détail le fonctionnement de l’algorithme Isolation Forest. Vous verrez comment se construisent les Isolation Trees, les paramètres essentiels de IForest dans PyOD et comment les ajuster, ainsi que la manière d’interpréter la sortie de IForest à l’aide de scores de probabilité de valeurs aberrantes.
3
Algorithmes basés sur la distance et la densité
Après un classificateur de valeurs aberrantes basé sur des arbres, vous explorerez une famille de détecteurs fondés sur la distance et la densité. Les classificateurs KNN et Local Outlier Factor ont fait leurs preuves dans ce domaine, et vous apprendrez à les utiliser.
4
Séries temporelles : détection d’anomalies et ensembles de détecteurs
Dans ce chapitre, vous apprendrez à réaliser une détection d’anomalies sur des jeux de données de séries temporelles et à rendre vos prédictions plus stables et fiables grâce à des ensembles de détecteurs de valeurs aberrantes.
Détection d’anomalies en Python
Cours
terminé
