Build your ultimate AI agent
Deskripsi Kursus
Apakah Anda khawatir ada catatan yang tidak akurat atau mencurigakan dalam data Anda, tetapi tidak tahu harus mulai dari mana? Algoritme deteksi anomali dapat membantu! Deteksi anomali adalah kumpulan teknik yang dirancang untuk mengidentifikasi titik data yang tidak biasa, dan sangat penting untuk mendeteksi penipuan serta melindungi jaringan komputer dari aktivitas berbahaya. Dalam kursus ini, Anda akan mengeksplorasi uji statistik untuk mengidentifikasi pencilan, dan mempelajari penggunaan algoritme pemeringkatan anomali yang canggih seperti local outlier factor dan isolation forest. Anda akan menerapkan algoritme deteksi anomali untuk mengidentifikasi wine yang tidak biasa dalam himpunan data UCI Wine Quality dan juga mendeteksi kasus penyakit tiroid dari pengukuran hormon yang abnormal.
Prasyarat
Kurikulum
Garis besar kursus
1
Deteksi pencilan statistik
Pada bab ini, Anda akan mempelajari bagaimana ringkasan numerik dan grafis dapat digunakan untuk menilai secara informal apakah data mengandung titik yang tidak biasa. Anda akan menggunakan prosedur statistik yang disebut uji Grubbs untuk memeriksa apakah suatu titik merupakan pencilan, dan mempelajari algoritme Seasonal-Hybrid ESD, yang dapat membantu mengidentifikasi pencilan ketika datanya berupa deret waktu.
- Apa yang dimaksud ketika kita membicarakan anomali?50 XP
- Mengenali jenis-jenis anomali50 XP
- Menjelajahi data nitrat sungai100 XP
- Menguji nilai ekstrem dengan uji Grubbs50 XP
- Pemeriksaan visual kenormalan100 XP
- Uji Grubbs100 XP
- Memburu beberapa pencilan dengan uji Grubbs100 XP
- Anomali dalam deret waktu50 XP
- Penilaian visual terhadap musiman100 XP
- Algoritme Seasonal Hybrid ESD100 XP
- Menafsirkan keluaran Seasonal-Hybrid ESD100 XP
- Seasonal-Hybrid ESD versus Grubbs' test50 XP
2
Deteksi anomali berbasis jarak dan kerapatan
Pada bab ini, Anda akan mempelajari cara menghitung jarak k-nearest neighbors dan local outlier factor, yang digunakan untuk membangun skor anomali kontinu bagi setiap titik data ketika data memiliki banyak fitur. Anda akan mempelajari perbedaan antara anomali lokal dan global serta bagaimana kedua algoritme dapat membantu dalam masing-masing kasus.
3
Isolation forest
Jarak k-nearest neighbors dan local outlier factor menggunakan jarak atau kerapatan relatif dari tetangga terdekat untuk memberi skor pada setiap titik. Pada bab ini, Anda akan mengeksplorasi pendekatan alternatif berbasis pohon yang disebut isolation forest, yaitu metode cepat dan andal untuk mendeteksi anomali yang mengukur seberapa mudah titik-titik dapat dipisahkan dengan membagi data secara acak menjadi wilayah yang semakin kecil.
4
Membandingkan kinerja
Anda kini telah diperkenalkan pada beberapa algoritme untuk pemeringkatan anomali. Pada bab terakhir ini, Anda akan mempelajari cara membandingkan kinerja deteksi dari algoritme ketika anomali berlabel tersedia. Anda akan mempelajari cara menghitung dan menafsirkan statistik precision dan recall untuk sebuah skor anomali, serta bagaimana menyesuaikan algoritme agar dapat mengakomodasi data dengan fitur kategorikal.
R
Pengantar Deteksi Anomali di R
Kursus
Selesai
