पाठ्यक्रम
Anomaly Detection in Python
मध्यमकौशल स्तर
अपडेट किया गया 11/2025PythonProbability & Statistics4 घंटे16 वीडियो59 अभ्यास4,950 XP7,018उपलब्धि का प्रमाण पत्र
अपना निःशुल्क खाता बनाएँ
या
जारी रखने पर, आप हमारी उपयोग की शर्तें, हमारी गोपनीयता नीति को स्वीकार करते हैं और यह भी कि आपका डेटा संयुक्त राज्य अमेरिका में संग्रहीत किया जाता है।हजारों कंपनियों के शिक्षार्थियों द्वारा पसंद किया गया
2 या अधिक लोगों को प्रशिक्षण दे रहे हैं?
DataCamp for Business आज़माएंपाठ्यक्रम विवरण
Spot Anomalies in Your Data Analysis
Extreme values or anomalies are present in almost any dataset, and it is critical to detect and deal with them before continuing statistical exploration. When left untouched, anomalies can easily disrupt your analyses and skew the performance of machine learning models.
Learn to Use Estimators Like Isolation Forest and Local Outlier Factor
In this course, you'll leverage Python to implement a variety of anomaly detection methods. You'll spot extreme values visually and use tested statistical techniques like Median Absolute Deviation for univariate datasets. For multivariate data, you'll learn to use estimators such as Isolation Forest, k-Nearest-Neighbors, and Local Outlier Factor. You'll also learn how to ensemble multiple outlier classifiers into a low-risk final estimator. You'll walk away with an essential data science tool in your belt: anomaly detection with Python.
Expand Your Python Statistical Toolkit
Better anomaly detection means better understanding of your data, and particularly, better root cause analysis and communication around system behavior. Adding this skill to your existing Python repertoire will help you with data cleaning, fraud detection, and identifying system disturbances.
पूर्व आवश्यकताएं
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.
Anomaly Detection in Python
पाठ्यक्रम पूर्ण
उपलब्धि का प्रमाण पत्र अर्जित करें
इस प्रमाण पत्र को अपनी LinkedIn प्रोफ़ाइल, रिज्यूमे या CV में जोड़ेंइसे सोशल मीडिया पर और अपनी प्रदर्शन समीक्षा में साझा करेंअभी नामांकन करें
19 मिलियन से अधिक शिक्षार्थियों के साथ जुड़ें और आज ही Anomaly Detection in Python शुरू करें!
अपना निःशुल्क खाता बनाएँ
या
जारी रखने पर, आप हमारी उपयोग की शर्तें, हमारी गोपनीयता नीति को स्वीकार करते हैं और यह भी कि आपका डेटा संयुक्त राज्य अमेरिका में संग्रहीत किया जाता है।मोबाइल के लिए DataCamp के साथ अपने डेटा कौशल को बढ़ाएं
हमारे मोबाइल कोर्स और दैनिक 5 मिनट की कोडिंग चुनौतियों के साथ चलते-फिरते प्रगति करें।