Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
Você está preocupado com registros imprecisos ou suspeitos nos seus dados, mas não sabe por onde começar? Um algoritmo de detecção de anomalias pode ajudar! A detecção de anomalias reúne técnicas feitas para identificar pontos de dados fora do padrão e é essencial para detectar fraudes e proteger redes de computador contra atividades maliciosas. Neste curso, você vai explorar testes estatísticos para identificar outliers e aprender a usar algoritmos avançados de pontuação de anomalias, como o local outlier factor e o isolation forest. Você aplicará algoritmos de detecção de anomalias para encontrar vinhos incomuns no conjunto de dados UCI Wine Quality e também para detectar casos de doença da tireoide a partir de medições anormais de hormônios.
Pré-requisitos
Programa de estudos
Descrição do curso
1
Detecção estatística de outliers
Neste capítulo, você vai aprender como resumos numéricos e gráficos podem ser usados para avaliar, de forma informal, se há pontos incomuns nos dados. Você usará um procedimento estatístico chamado teste de Grubbs para verificar se um ponto é um outlier e conhecerá o algoritmo Seasonal-Hybrid ESD, que ajuda a identificar outliers quando os dados formam uma série temporal.
- O que queremos dizer quando falamos em anomalias?50 XP
- Reconhecendo tipos de anomalias50 XP
- Explorando os dados de nitrato do rio100 XP
- Testando os extremos com o teste de Grubbs50 XP
- Verificação visual de normalidade100 XP
- Teste de Grubbs100 XP
- Caçando múltiplos outliers com o teste de Grubbs100 XP
- Anomalias em séries temporais50 XP
- Avaliação visual da sazonalidade100 XP
- Algoritmo Seasonal Hybrid ESD100 XP
- Interpretando a saída do Seasonal-Hybrid ESD100 XP
- Seasonal-Hybrid ESD versus o teste de Grubbs50 XP
2
Detecção de anomalias baseada em distância e densidade
Neste capítulo, você vai aprender a calcular a distância dos k-vizinhos mais próximos e o local outlier factor, que são usados para construir escores contínuos de anomalia para cada ponto de dados quando há múltiplas variáveis. Você também vai entender a diferença entre anomalias locais e globais e como cada um dos dois algoritmos pode ajudar em cada caso.
3
Isolation forest
A distância dos k-vizinhos mais próximos e o local outlier factor usam a distância ou a densidade relativa dos vizinhos mais próximos para pontuar cada ponto. Neste capítulo, você vai explorar uma abordagem alternativa baseada em árvores chamada isolation forest, que é um método rápido e robusto para detectar anomalias e mede quão facilmente os pontos podem ser separados ao dividir os dados aleatoriamente em regiões cada vez menores.
4
Comparando desempenho
Agora você conheceu alguns algoritmos diferentes para pontuação de anomalias. Neste capítulo final, você aprenderá a comparar o desempenho de detecção dos algoritmos em situações em que existem anomalias rotuladas. Você vai calcular e interpretar as métricas de precisão (precision) e revocação (recall) de um escore de anomalia e verá como adaptar os algoritmos para acomodar dados com variáveis categóricas.
R
Introduction to Anomaly Detection in R
Curso
concluído
