Przejdź do głównej treści

Strona główna Python

Kurs

Wykrywanie anomalii w Pythonie

ŚredniozaawansowanyPoziom umiejętności

Zaktualizowano 11.2025

Wykrywaj anomalie w analizie danych i rozbuduj swój zestaw narzędzi statystycznych w Pythonie na tym czterogodzinnym kursie.

Zacznij kurs za darmo

PythonProbability & Statistics

4 godz.

16 filmów

59 Ćwiczeń

4,950 XP

7,193

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

Wykrywaj anomalie w analizie danych

W niemal każdym zbiorze danych występują wartości ekstremalne lub anomalie i kluczowe jest ich wykrycie oraz odpowiednie obsłużenie przed kontynuowaniem eksploracji statystycznej. Niezauważone anomalie mogą łatwo zakłócić Twoje analizy i zniekształcić wyniki modeli uczenia maszynowego.

Naucz się korzystać z estymatorów takich jak Isolation Forest i Local Outlier Factor

W tym kursie wykorzystasz Pythona do wdrożenia różnych metod wykrywania anomalii. Zauważysz wartości odstające wizualnie i wykorzystasz sprawdzone techniki statystyczne, takie jak Median Absolute Deviation, dla jednowymiarowych zbiorów danych. W przypadku danych wielowymiarowych nauczysz się korzystać z estymatorów takich jak Isolation Forest, k-Nearest-Neighbors i Local Outlier Factor. Nauczysz się także, jak łączyć wiele klasyfikatorów wykrywających obserwacje odstające w końcowy estymator o niskim ryzyku. Wyjdziesz z tego z niezbędnym narzędziem data science w swoim arsenale: wykrywaniem anomalii w Pythonie.

Rozszerz swój zestaw narzędzi statystycznych w Pythonie

Lepsze wykrywanie anomalii oznacza lepsze zrozumienie danych, a zwłaszcza lepszą analizę przyczyn źródłowych i komunikację dotyczącą zachowania systemu. Dodanie tej umiejętności do Twojego dotychczasowego repertuaru Pythona pomoże Ci w czyszczeniu danych, wykrywaniu oszustw i identyfikowaniu zakłóceń systemowych.

Wymagania wstępne

Supervised Learning with scikit-learn

1

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.

What are anomalies and outliers?

Print a 5-number summary

Histograms for outlier detection

Scatterplots for outlier detection

Box plots and IQR

Boxplots for outlier detection

Calculating outlier limits with IQR

Using outlier limits for filtering

Using z-scores for Anomaly Detection

Finding outliers with z-scores

Using modified z-scores with PyOD

Zacznij rozdział

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.

Getting started with Isolation Forests

The difference between univariate and multivariate anomalies

Detecting outliers with IForest

Overview of Isolation Forest hyperparameters

Most important IForest parameters

Choosing contamination

Choosing n_estimators

Checking the theory

Hyperparameter tuning of Isolation Forest

Tuning contamination

Tuning multiple hyperparameters

Interpreting the output of IForest

Alternative way of classifying with IForest

Using outlier probabilities

Zacznij rozdział

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.

KNN for outlier detection

KNN for the first time

KNN with outlier probabilities

Outlier-robust feature scaling

Finding the euclidean distance manually

Finding the euclidean distance with SciPy

Practicing standardization

Testing QuantileTransformer

Hyperparameters of KNN

Differentiating distance metrics

Calculating manhattan distance manually

Tuning n_neighbors

Tuning the aggregation method

Local Outlier Factor

LOF for the first time

LOF with outlier probabilities

Zacznij rozdział

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.

Introduction to time series

Working with DateTime columns

Creating a DateTimeIndex

MAD on time series

Isolation Forest on time series

Time Series Decomposition for Outlier Detection

Practicing decomposition

Fitting on residuals

Outlier classifier ensembles

Scaling parts of a dataset

Manual outlier ensembles - creating the arrays

Storing outlier probabilities

Aggregating and thresholding the probabilities

How to deal with identified outliers

Classifying the reasons for outlier presence

When to drop outliers

Non-aggressive methods of dealing with outliers

Congratulations!

Zacznij rozdział

Wykrywanie anomalii w Pythonie

Kurs
ukończony

Zdobądź zaświadczenie o ukończeniu

Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysu
Udostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz

Dołącz do ponad 19 milionów kursantów i zacznij Wykrywanie anomalii w Pythonie już dziś!

Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych

Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.