Lewati ke konten utama

Kursus

Deteksi Anomali dengan Python

MenengahTingkat Keterampilan

Diperbarui 11/2025

Deteksi anomali dalam analisis data Anda dan perluas koleksi alat statistik Python Anda dalam kursus berdurasi empat jam ini.

Mulai Kursus Gratis

PythonProbability & Statistics

4 jam

16 videos

59 Latihan

4,950 XP

7,199

Pernyataan Pencapaian

Dipercaya oleh para pelajar di ribuan perusahaan

Melatih Tim?

Coba untuk Bisnis

Deskripsi Kursus

Deteksi Anomali dalam Analisis Data Anda

Nilai ekstrem atau anomali terdapat hampir di setiap dataset, dan sangat penting untuk mendeteksinya dan mengatasinya sebelum melanjutkan analisis statistik. Jika dibiarkan tanpa penanganan, anomali dapat dengan mudah mengganggu analisis Anda dan memengaruhi kinerja model pembelajaran mesin.

Pelajari cara menggunakan estimator seperti Isolation Forest dan Local Outlier Factor.

Dalam kursus ini, Anda akan memanfaatkan Python untuk mengimplementasikan berbagai metode deteksi anomali. Anda akan dapat mengidentifikasi nilai ekstrem secara visual dan menggunakan teknik statistik yang teruji seperti Median Absolute Deviation (MAD) untuk dataset univariat. Untuk data multivariat, Anda akan belajar menggunakan estimator seperti Isolation Forest, k-Nearest-Neighbors, dan Local Outlier Factor. Anda juga akan belajar cara menggabungkan beberapa klasifikasi outlier menjadi estimator akhir berisiko rendah. Anda akan mendapatkan alat penting dalam bidang data science: deteksi anomali dengan Python.

Perluas Perangkat Statistik Python Anda

Deteksi anomali yang lebih baik berarti pemahaman yang lebih baik terhadap data Anda, dan khususnya, analisis akar masalah yang lebih baik serta komunikasi yang lebih baik terkait perilaku sistem. Menambahkan keterampilan ini ke dalam keterampilan Python yang sudah Anda miliki akan membantu Anda dalam membersihkan data, mendeteksi penipuan, dan mengidentifikasi gangguan sistem.

Persyaratan

Supervised Learning with scikit-learn

1

Mendeteksi Pencilan Univariat

Bab ini membahas teknik untuk mendeteksi pencilan pada data 1-dimensi menggunakan histogram, scatterplot, box plot, z-score, dan modified z-score.

Apa itu anomali dan pencilan?

Cetak ringkasan 5 angka

Histogram untuk deteksi outlier

Scatterplot untuk deteksi outlier

Box plot dan IQR

Box plot untuk deteksi outlier

Menghitung batas outlier dengan IQR

Menggunakan batas pencilan untuk pemfilteran

Menggunakan z-score untuk Deteksi Anomali

Menemukan pencilan dengan z-score

Menggunakan modified z-scores dengan PyOD

2

Isolation Forest dengan PyOD

Di bab ini, Anda akan mempelajari seluk-beluk cara kerja algoritma Isolation Forest. Telusuri bagaimana Isolation Tree dibangun, parameter penting IForest milik PyOD dan cara menyesuaikannya, serta cara menafsirkan keluaran IForest menggunakan skor probabilitas pencilan.

Memulai dengan Isolation Forest

Perbedaan antara anomali univariat dan multivariat

Mendeteksi outlier dengan IForest

Tinjauan hyperparameter Isolation Forest

Parameter terpenting pada IForest

Memilih contamination

Memilih n_estimators

Mengecek teori

Penyetelan hiperparameter Isolation Forest

Menyetel contamination

Menyetel beberapa hiperparameter

Menafsirkan keluaran IForest

Cara alternatif mengklasifikasikan dengan IForest

Menggunakan probabilitas outlier

3

Algoritma Berbasis Jarak dan Kepadatan

Setelah pengklasifikasi pencilan berbasis pohon, Anda akan mengeksplorasi kelas detektor berbasis jarak dan kepadatan. Pengklasifikasi KNN dan Local Outlier Factor terbukti sangat efektif dalam area ini, dan Anda akan mempelajari cara menggunakannya.

KNN untuk deteksi outlier

KNN untuk pertama kali

KNN dengan probabilitas pencilan

Penskalakan fitur yang tahan terhadap outlier

Menghitung jarak euclidean secara manual

Menemukan jarak euclidean dengan SciPy

Latihan standardisasi

Menguji QuantileTransformer

Hyperparameter pada KNN

Membedakan metrik jarak

Menghitung jarak Manhattan secara manual

Menyetel n_neighbors

Menyetel metode agregasi

Faktor Pencilan Lokal

LOF untuk pertama kali

LOF dengan probabilitas outlier

4

Deteksi Anomali Deret Waktu dan Ensambel Pencilan

Di bab ini, Anda akan mempelajari cara melakukan deteksi anomali pada himpunan data deret waktu dan membuat prediksi Anda lebih stabil serta tepercaya menggunakan ensambel pencilan.

Pengantar deret waktu

Bekerja dengan kolom DateTime

Membuat DateTimeIndex

MAD pada deret waktu

Isolation Forest pada deret waktu

Dekomposisi Deret Waktu untuk Deteksi Pencilan

Berlatih dekomposisi

Melatih pada residual

Ansambel pengklasifikasi outlier

Menskalakan sebagian himpunan data

Ansambel outlier manual - membuat array

Menyimpan probabilitas outlier

Mengagregasi dan menetapkan ambang pada probabilitas

Cara menangani pencilan yang teridentifikasi

Mengklasifikasikan alasan kemunculan outlier

Kapan harus membuang outlier

Metode non-agresif untuk menangani pencilan

Deteksi Anomali dengan Python

Kursus
Selesai

Memperoleh Surat Keterangan Prestasi

Tambahkan kredensial ini ke profil LinkedIn, resume, atau CV Anda
Bagikan di media sosial dan dalam penilaian kinerja AndaDaftar sekarang

Bergabung dengan 19 juta pelajar dan mulai Deteksi Anomali dengan Python Hari Ini!

Kembangkan keterampilan data Anda dengan DataCamp untuk Mobile

Buat kemajuan di mana saja dengan kursus mobile kami dan tantangan coding harian 5 menit.