After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
코스 설명
데이터 분석에서 이상 징후를 찾아내세요
극단값이나 이상치는 거의 모든 데이터세트에 존재하며, 통계적 탐색을 계속하기 전에 이를 탐지하고 처리하는 것이 매우 중요합니다. 손대지 않으면 이상치는 분석을 쉽게 방해하고 머신 러닝 모델의 성능을 왜곡할 수 있습니다.
Isolation Forest와 Local Outlier Factor 같은 추정기를 사용하는 방법을 배우세요
이 강의에서는 Python을 활용해 다양한 이상 탐지 방법을 구현하게 됩니다. 시각적으로 극단값을 찾아내고, 단변량 데이터세트에 대해 중앙값 절대 편차와 같은 검증된 통계 기법을 사용하게 됩니다. 다변량 데이터의 경우, Isolation Forest, k-Nearest-Neighbors, Local Outlier Factor와 같은 추정기를 사용하는 방법을 배우게 됩니다. 또한 여러 이상치 분류기를 앙상블하여 저위험 최종 추정기를 만드는 방법도 배우게 됩니다. Python을 활용한 이상 탐지라는 필수 데이터 과학 도구를 손에 넣게 됩니다.
Python 통계 도구를 확장하세요
이상 탐지가 더 좋아지면 데이터에 대한 이해도 더 좋아지고, 특히 시스템 동작에 대한 근본 원인 분석과 커뮤니케이션도 더 향상됩니다. 기존 Python 역량에 이 기술을 더하면 데이터 정제, 사기 탐지, 시스템 이상 징후 식별에 도움이 됩니다.
사전 요구 사항
커리큘럼
코스 개요
1
단변량 이상치 탐지
이 챕터에서는 히스토그램, 산점도, 상자그림, z-점수, 수정 z-점수를 사용해 1차원 데이터의 이상치를 탐지하는 기법을 다룹니다.
2
PyOD로 배우는 Isolation Forest
이 챕터에서는 Isolation Forest 알고리즘의 동작 원리를 구체적으로 배웁니다. Isolation Tree가 어떻게 구축되는지, PyOD의 IForest 주요 하이퍼파라미터와 튜닝 방법, 그리고 이상치 확률 점수를 활용해 IForest 출력 결과를 해석하는 방법을 살펴봅니다.
3
거리·밀도 기반 알고리즘
트리 기반 이상치 분류기를 학습한 뒤, 거리와 밀도에 기반한 탐지기들을 살펴봅니다. KNN과 Local Outlier Factor 분류기는 이 영역에서 매우 효과적인 것으로 입증되었으며, 이를 어떻게 활용하는지 배우게 됩니다.
4
시계열 이상치 탐지와 앙상블
이 챕터에서는 시계열 데이터셋에서 이상치 탐지를 수행하는 방법과, 이상치 앙상블을 사용해 예측을 더 안정적이고 신뢰할 수 있게 만드는 방법을 학습합니다.
Python으로 배우는 이상치 탐지
코스
완료
