Pular para o conteúdo principal

Curso

Detecção de Anomalias em Python

IntermediárioNível de habilidade

Atualizado 11/2025

Detecte anomalias em análises de dados e amplie seu kit de ferramentas estatístico em Python neste curso de quatro horas.

Iniciar Curso Gratuitamente

PythonProbability & Statistics4 h16 vídeos59 Exercícios4,950 XP7,015Certificado de conclusão

Crie sua conta gratuita

ou

Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados serão armazenados nos EUA.

Preferido por alunos de milhares de empresas

Treinar 2 ou mais pessoas?

Experimentar DataCamp for Business

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

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

Iniciar Capítulo

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

Iniciar Capítulo

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

Iniciar Capítulo

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!

Iniciar Capítulo

Detecção de Anomalias em Python

Curso
concluído

Obtenha um certificado de conclusão

Adicione esta credencial ao seu perfil do LinkedIn, currículo ou CV
Compartilhe nas redes sociais e em sua avaliação de desempenhoInscreva-se Agora

Faça como mais de 19 milhões de alunos e comece Detecção de Anomalias em Python hoje mesmo!

Crie sua conta gratuita

ou

Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados serão armazenados nos EUA.

Desenvolva suas habilidades em dados com o app do DataCamp

Continue progredindo em qualquer lugar com nossos cursos para celular e desafios diários de programação de 5 minutos.