After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
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.
Prasyarat
Kurikulum
Garis besar kursus
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?50 XP
- Cetak ringkasan 5 angka100 XP
- Histogram untuk deteksi outlier100 XP
- Scatterplot untuk deteksi outlier100 XP
- Box plot dan IQR50 XP
- Box plot untuk deteksi outlier100 XP
- Menghitung batas outlier dengan IQR100 XP
- Menggunakan batas pencilan untuk pemfilteran100 XP
- Menggunakan z-score untuk Deteksi Anomali50 XP
- Menemukan pencilan dengan z-score100 XP
- Menggunakan modified z-scores dengan PyOD100 XP
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.
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.
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.
Deteksi Anomali dengan Python
Kursus
Selesai
