Corso
Rilevamento delle anomalie in Python
IntermedioLivello di competenza
Aggiornato 11/2025Inizia Il Corso Gratis
Incluso conPremium or Team
PythonProbability & Statistics4 h16 video59 Esercizi4,950 XP6,836Attestato di conseguimento
Crea il tuo account gratuito
o
Continuando, accetti i nostri Termini di utilizzo, la nostra Informativa sulla privacy e che i tuoi dati siano conservati negli Stati Uniti.Preferito dagli studenti di migliaia di aziende
Vuoi formare 2 o più persone?
Prova DataCamp for BusinessDescrizione 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
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.
Rilevamento delle anomalie in Python
Corso completato
Ottieni Attestato di conseguimento
Aggiungi questa certificazione al tuo profilo LinkedIn, al curriculum o al CVCondividila sui social e nella valutazione delle tue performance
Incluso conPremium or Team
Iscriviti OraUnisciti a oltre 19 milioni di studenti e inizia Rilevamento delle anomalie in Python oggi!
Crea il tuo account gratuito
o
Continuando, accetti i nostri Termini di utilizzo, la nostra Informativa sulla privacy e che i tuoi dati siano conservati negli Stati Uniti.