Cours
Détection d’anomalies en Python
IntermédiaireNiveau de compétence
Actualisé 11/2025PythonProbability & Statistics4 h16 vidéos59 Exercices4,950 XP6,826Certificat de réussite.
Créez votre compte gratuit
ou
En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données seront hébergées aux États-Unis.Apprécié par des utilisateurs provenant de milliers d'entreprises
Former 2 personnes ou plus ?
Essayez DataCamp for BusinessDescription 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
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.
Détection d’anomalies en Python
Cours terminé
Obtenez un certificat de réussite
Ajoutez cette certification à votre profil LinkedIn, à votre CV ou à votre portfolioPartagez-la sur les réseaux sociaux et dans votre évaluation de performance
Inclus avecPremium or Teams
S'inscrire MaintenantRejoignez plus de 19 millions d'utilisateurs et commencez Détection d’anomalies en Python dès aujourd'hui !
Créez votre compte gratuit
ou
En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données seront hébergées aux États-Unis.