Corso
Rilevamento delle anomalie in Python
IntermedioLivello di competenza
Aggiornato 11/2025
PythonProbability & Statistics4 h16 video59 Esercizi4,950 XP7,199Attestato di conseguimento
Crea il tuo account gratuito
Continua con GoogleMostra più opzionio
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
Formare un team?
Prova per il 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
Rilevare outlier univariati
Questo capitolo tratta tecniche per rilevare outlier in dati monodimensionali usando istogrammi, scatterplot, box plot, z-score e z-score modificati.
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
Ottieni Attestato di conseguimento
Aggiungi questa certificazione al tuo profilo LinkedIn, al curriculum o al CVCondividila sui social e nella valutazione delle tue performanceIscriviti ora
Unisciti a oltre 19 milioni di studenti e inizia Rilevamento delle anomalie in Python oggi!
Crea il tuo account gratuito
Continua con GoogleMostra più opzionio
Continuando, accetti i nostri Termini di utilizzo, la nostra Informativa sulla privacy e che i tuoi dati siano conservati negli Stati Uniti.
Aumenta le tue competenze sui dati con l'app di DataCamp
Avanza ovunque ti trovi con i nostri corsi per dispositivi mobili e le nostre sfide di programmazione quotidiane da 5 minuti.