Dopo aver seguito questi corsi, mi sento sicuro nel creare visualizzazioni e dashboard professionali
Shoebur RahmanSpecialista degli acquisti, Giz Bangladesh
Descrizione del corso
Trova le anomalie nella tua analisi dei dati
In quasi tutti i set di dati ci sono valori estremi o anomalie, ed è super importante individuarli e gestirli prima di continuare con l'analisi statistica. Se non le tocchi, le anomalie possono facilmente rovinare le tue analisi e influenzare male le prestazioni dei modelli di machine learning.
Impara a usare stimatori come Isolation Forest e Local Outlier Factor
In questo corso userai Python per mettere in atto diversi metodi di rilevamento delle anomalie. Potrai individuare visivamente i valori estremi e utilizzare tecniche statistiche collaudate come la deviazione assoluta mediana per i set di dati univariati. Per i dati multivariati, imparerai a usare stimatori come Isolation Forest, k-Nearest-Neighbors e Local Outlier Factor. Imparerai anche come mettere insieme più classificatori di valori anomali in uno stimatore finale a basso rischio. Alla fine avrai imparato un trucco fondamentale per la scienza dei dati: come trovare le anomalie con Python.
Allunga il tuo kit di strumenti statistici Python
Un rilevamento delle anomalie più efficace significa capire meglio i tuoi dati e, soprattutto, fare un'analisi più accurata delle cause e comunicare meglio il comportamento del sistema. Aggiungere questa competenza al tuo bagaglio di conoscenze Python ti aiuterà a pulire i dati, individuare le frodi e riconoscere i problemi del sistema.
Prerequisiti
Programma
Struttura del corso
1
Rilevare outlier univariati
Questo capitolo tratta tecniche per rilevare outlier in dati monodimensionali usando istogrammi, scatterplot, box plot, z-score e z-score modificati.
- Cosa sono anomalie e outlier?50 XP
- Stampa un riepilogo a 5 numeri100 XP
- Istogrammi per il rilevamento degli outlier100 XP
- Scatterplot per il rilevamento di outlier100 XP
- Box plot e IQR50 XP
- Box plot per il rilevamento degli outlier100 XP
- Calcolare i limiti degli outlier con l'IQR100 XP
- Usare i limiti degli outlier per filtrare100 XP
- Uso degli z-score per il rilevamento delle anomalie50 XP
- Individuare outlier con gli z-score100 XP
- Usare gli z-score modificati con PyOD100 XP
2
Isolation Forest con PyOD
In questo capitolo imparerai a fondo come funziona l’algoritmo Isolation Forest. Esplorerai come vengono costruiti gli Isolation Tree, i parametri essenziali di IForest in PyOD e come configurarli, e come interpretare l’output di IForest usando i punteggi di probabilità di outlier.
3
Algoritmi basati su distanza e densità
Dopo un classificatore di outlier basato su alberi, esplorerai una classe di rilevatori basati su distanza e densità. I classificatori KNN e Local Outlier Factor si sono dimostrati molto efficaci in questo ambito, e imparerai a usarli.
4
Rilevamento di anomalie nelle serie temporali e ensemble di outlier
In questo capitolo imparerai a effettuare il rilevamento di anomalie su insiemi di dati di serie temporali e a rendere le tue previsioni più stabili e affidabili usando ensemble di outlier.
Rilevamento delle anomalie in Python
Corso
completato
