Build your ultimate AI agent
Opis kursu
Masz obawy co do nieprawidłowych lub podejrzanych rekordów w swoich danych, ale nie wiesz, od czego zacząć? Algorytm wykrywania anomalii może ci w tym pomóc! Wykrywanie anomalii to zbiór technik służących do identyfikowania nietypowych punktów danych – niezbędnych przy wykrywaniu oszustw i ochronie sieci komputerowych przed złośliwą aktywnością. W tym kursie poznasz testy statystyczne do identyfikowania wartości odstających oraz nauczysz się korzystać z zaawansowanych algorytmów oceny anomalii, takich jak lokalny współczynnik wartości odstającej i las izolacyjny. Zastosujesz algorytmy wykrywania anomalii, aby zidentyfikować nietypowe wina w zbiorze danych UCI Wine Quality, a także wykryć przypadki chorób tarczycy na podstawie nieprawidłowych pomiarów hormonów.
Wymagania wstępne
Program kursu
Plan kursu
1
Statystyczne wykrywanie wartości odstających
W tym rozdziale dowiesz się, jak podsumowania numeryczne i graficzne mogą służyć do nieformalnej oceny tego, czy dane zawierają nietypowe punkty. Użyjesz procedury statystycznej zwanej testem Grubbsa, aby sprawdzić, czy dany punkt jest wartością odstającą, oraz poznasz algorytm Seasonal-Hybrid ESD, który pomaga identyfikować wartości odstające w danych szeregów czasowych.
- Co rozumiemy przez anomalie?50 XP
- Rozpoznawanie typów anomalii50 XP
- Eksploracja danych o azotanach w rzece100 XP
- Testowanie wartości ekstremalnych testem Grubbs'a50 XP
- Wizualna ocena normalności100 XP
- Test Grubbsa100 XP
- Wykrywanie wielu wartości odstających testem Grubbs'a100 XP
- Anomalie w szeregach czasowych50 XP
- Wizualna ocena sezonowości100 XP
- Algorytm Seasonal Hybrid ESD100 XP
- Interpretacja wyników algorytmu Seasonal-Hybrid ESD100 XP
- Seasonal-Hybrid ESD a test Grubbsa50 XP
2
Wykrywanie anomalii na podstawie odległości i gęstości
W tym rozdziale nauczysz się obliczać odległość k-najbliższych sąsiadów oraz lokalny współczynnik wartości odstającej. Służą one do tworzenia ciągłych ocen anomalii dla każdego punktu danych w przypadku danych wielocechowych. Poznasz różnicę między anomaliami lokalnymi a globalnymi oraz dowiesz się, jak oba algorytmy sprawdzają się w każdym z tych przypadków.
3
Las izolacyjny
Odległość k-najbliższych sąsiadów i lokalny współczynnik wartości odstającej wykorzystują odległość lub względną gęstość najbliższych sąsiadów do oceny każdego punktu. W tym rozdziale poznasz alternatywne podejście oparte na drzewach – las izolacyjny. To szybka i solidna metoda wykrywania anomalii, która mierzy, jak łatwo można odizolować punkty poprzez losowe dzielenie danych na coraz mniejsze obszary.
4
Porównywanie wydajności
Poznałeś już kilka różnych algorytmów oceny anomalii. W tym ostatnim rozdziale nauczysz się porównywać wydajność wykrywania poszczególnych algorytmów w sytuacjach, gdy dostępne są oznaczone anomalie. Dowiesz się, jak obliczać i interpretować statystyki precyzji i czułości dla oceny anomalii, oraz jak dostosować algorytmy, aby obsługiwały dane z cechami kategorycznymi.
R
Wprowadzenie do wykrywania anomalii w R
Kurs
ukończony
