After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
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
Program kursu
Plan kursu
1
Wykrywanie obserwacji odstających w danych jednowymiarowych
Ten rozdział omawia techniki wykrywania obserwacji odstających w danych jednowymiarowych z wykorzystaniem histogramów, wykresów rozrzutu, wykresów pudełkowych, wyników z oraz zmodyfikowanych wyników z.
- Czym są anomalie i wartości odstające?50 XP
- Wydrukuj podsumowanie pięciu liczb100 XP
- Histogramy do wykrywania wartości odstających100 XP
- Wykresy rozrzutu do wykrywania wartości odstających100 XP
- Wykresy pudełkowe i IQR50 XP
- Wykresy pudełkowe do wykrywania wartości odstających100 XP
- Obliczanie granic wartości odstających za pomocą IQR100 XP
- Filtrowanie z użyciem limitów wartości odstających100 XP
- Wykrywanie anomalii za pomocą z-scores50 XP
- Wykrywanie wartości odstających za pomocą z-score100 XP
- Zmodyfikowane z-score'y z PyOD100 XP
2
Isolation Forest z PyOD
W tym rozdziale poznasz zasadę działania algorytmu Isolation Forest od podstaw. Dowiesz się, jak budowane są drzewa izolacji, jakie są kluczowe parametry klasy IForest z biblioteki PyOD i jak je dostrajać, a także jak interpretować wyniki IForest przy użyciu prawdopodobieństw przynależności do obserwacji odstających.
3
Algorytmy oparte na odległości i gęstości
Po zapoznaniu się z klasyfikatorem opartym na drzewach przejdziesz do grupy detektorów opartych na odległości i gęstości. Klasyfikatory KNN oraz Local Outlier Factor sprawdziły się doskonale w tej dziedzinie – nauczysz się, jak z nich korzystać.
4
Wykrywanie anomalii w szeregach czasowych i zespoły klasyfikatorów
W tym rozdziale nauczysz się wykrywać anomalie w zbiorach danych będących szeregami czasowymi oraz zwiększać stabilność i wiarygodność swoich prognoz dzięki zespołom klasyfikatorów obserwacji odstających.
Wykrywanie anomalii w Pythonie
Kurs
ukończony
