After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrizione del corso
Ti preoccupano record imprecisi o sospetti nei tuoi dati, ma non sai da dove iniziare? Un algoritmo di anomaly detection può aiutarti! L'anomaly detection è un insieme di tecniche pensate per identificare punti dati insoliti ed è fondamentale per rilevare frodi e proteggere le reti informatiche da attività dannose. In questo corso esplorerai test statistici per individuare gli outlier e imparerai a usare sofisticati algoritmi di punteggio delle anomalie come il local outlier factor e l'isolation forest. Metterai in pratica questi algoritmi per riconoscere vini insoliti nel dataset UCI Wine Quality e per rilevare casi di patologie tiroidee da misurazioni ormonali anomale.
Prerequisiti
Curriculum
Programma del corso
1
Rilevamento statistico degli outlier
In questo capitolo vedrai come i riepiloghi numerici e grafici possano essere usati per valutare in modo informale se i dati contengono punti insoliti. Userai una procedura statistica chiamata test di Grubbs per verificare se un punto è un outlier e conoscerai l'algoritmo Seasonal-Hybrid ESD, che può aiutare a individuare outlier quando i dati sono una serie temporale.
- Cosa intendiamo quando parliamo di anomalie?50 XP
- Riconoscere i tipi di anomalie50 XP
- Esplorare i dati sui nitrati del fiume100 XP
- Mettere alla prova gli estremi con il test di Grubbs50 XP
- Verifica visiva di normalità100 XP
- Test di Grubbs100 XP
- Caccia a più outlier con il test di Grubbs100 XP
- Anomalie nelle serie temporali50 XP
- Valutazione visiva della stagionalità100 XP
- Algoritmo Seasonal Hybrid ESD100 XP
- Interpretare l'output di Seasonal-Hybrid ESD100 XP
- Seasonal-Hybrid ESD contro il test di Grubbs50 XP
2
Anomaly detection basata su distanza e densità
In questo capitolo imparerai a calcolare la distanza dei k-nearest neighbors e il local outlier factor, utilizzati per costruire punteggi continui di anomalia per ciascun punto dati quando i dati hanno più caratteristiche. Capirai la differenza tra anomalie locali e globali e come i due algoritmi possano aiutare in ciascun caso.
3
Isolation forest
k-nearest neighbors distance e local outlier factor usano la distanza o la densità relativa dei vicini più prossimi per assegnare un punteggio a ciascun punto. In questo capitolo esplorerai un approccio alternativo basato su alberi chiamato isolation forest, un metodo rapido e robusto per rilevare anomalie che misura quanto facilmente i punti possano essere separati dividendo casualmente i dati in regioni via via più piccole.
4
Confronto delle prestazioni
Ora hai conosciuto diversi algoritmi per il punteggio delle anomalie. In questo capitolo finale imparerai a confrontare le prestazioni di rilevamento degli algoritmi nei casi in cui siano disponibili anomalie etichettate. Imparerai a calcolare e interpretare le statistiche di precision e recall per un punteggio di anomalia e come adattare gli algoritmi per gestire dati con caratteristiche categoriche.
R
Introduzione all'Anomaly Detection in R
Corso
completato
