Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
Identifique anomalias na sua análise de dados
Valores extremos ou anomalias estão presentes em quase todos os conjuntos de dados, e é fundamental detectá-los e lidar com eles antes de continuar a exploração estatística. Quando não são corrigidas, as anomalias podem facilmente atrapalhar suas análises e distorcer o desempenho dos modelos de machine learning.
Aprenda a usar estimadores como Isolation Forest e Local Outlier Factor
Neste curso, você vai usar Python para implementar vários métodos de detecção de anomalias. Você vai identificar valores extremos visualmente e usar técnicas estatísticas testadas, como o desvio absoluto mediano para conjuntos de dados univariados. Para dados multivariados, você vai aprender a usar estimadores como Isolation Forest, k-Nearest-Neighbors e Local Outlier Factor. Você também vai aprender a juntar vários classificadores de outliers em um estimador final de baixo risco. Você vai sair daqui com uma ferramenta essencial de ciência de dados na manga: detecção de anomalias com Python.
Expanda seu kit de ferramentas estatísticas Python
Uma melhor detecção de anomalias significa uma melhor compreensão dos seus dados e, principalmente, uma melhor análise das causas e comunicação sobre o comportamento do sistema. Adicionar essa habilidade ao seu repertório Python vai te ajudar na limpeza de dados, detecção de fraudes e identificação de distúrbios no sistema.
Pré-requisitos
Programa de estudos
Conteúdo do curso
1
Detectando Outliers Univariados
Este capítulo apresenta técnicas para detectar outliers em dados unidimensionais usando histogramas, gráficos de dispersão (scatterplots), box plots, z-scores e z-scores modificados.
- O que são anomalias e outliers?50 XP
- Imprimir um resumo de 5 números100 XP
- Histogramas para detecção de outliers100 XP
- Gráficos de dispersão para detecção de outliers100 XP
- Boxplots e IQR50 XP
- Boxplots para detecção de outliers100 XP
- Calculando limites de outliers com IQR100 XP
- Usando limites de outliers para filtrar100 XP
- Usando z-scores para detecção de anomalias50 XP
- Encontrando outliers com z-scores100 XP
- Usando z-scores modificados com PyOD100 XP
2
Isolation Forests com PyOD
Neste capítulo, você vai aprender em detalhes como funciona o algoritmo Isolation Forest. Explore como as Isolation Trees são construídas, os parâmetros essenciais do IForest do PyOD e como ajustá-los, e como interpretar a saída do IForest usando escores de probabilidade de outlier.
3
Algoritmos Baseados em Distância e Densidade
Depois de um classificador de outliers baseado em árvores, você vai explorar uma classe de detectores baseados em distância e densidade. Os classificadores KNN e Local Outlier Factor são altamente eficazes nessa área, e você vai aprender como usá-los.
4
Detecção de Anomalias em Séries Temporais e Conjuntos (Ensembles) de Outliers
Neste capítulo, você vai aprender a detectar anomalias em conjuntos de dados de séries temporais e tornar suas previsões mais estáveis e confiáveis usando ensembles de outliers.
Detecção de Anomalias em Python
Curso
concluído
