După ce am parcurs aceste cursuri, mă simt încrezător să creez vizualizări și tablouri de bord profesionale
Shoebur RahmanSpecialist în achiziții, Giz Bangladesh
Descrierea cursului
Identifică anomaliile în analiza datelor tale
Valorile extreme sau anomaliile sunt prezente în aproape orice set de date, iar este esențial să le detectezi și să le gestionezi înainte de a continua explorarea statistică. Lăsate netratate, anomaliile pot perturba cu ușurință analizele tale și pot denatura performanța modelelor de machine learning.
Învață să folosești estimatori precum Isolation Forest și Local Outlier Factor
În acest curs, vei folosi Python pentru a implementa o varietate de metode de detectare a anomaliilor. Vei identifica vizual valorile extreme și vei folosi tehnici statistice testate, precum Abaterea Absolută Mediană, pentru seturi de date univariate. Pentru date multivariate, vei învăța să folosești estimatori precum Isolation Forest, k-Nearest-Neighbors și Local Outlier Factor. Vei învăța, de asemenea, cum să combini mai mulți clasificatori de outlieri într-un estimator final cu risc redus. Vei pleca cu un instrument esențial de data science în arsenalul tău: detectarea anomaliilor cu Python.
Extinde-ți setul de instrumente statistice Python
O detectare mai bună a anomaliilor înseamnă o înțelegere mai bună a datelor tale și, în special, o analiză mai bună a cauzei principale și o comunicare mai clară despre comportamentul sistemului. Adăugarea acestei abilități la repertoriul tău existent de Python te va ajuta cu curățarea datelor, detectarea fraudei și identificarea perturbărilor sistemului.
Cerințe prealabile
Programă
Planul cursului
1
Detectarea valorilor aberante univariate
Acest capitol acoperă tehnici de detectare a valorilor aberante în date unidimensionale, folosind histograme, diagrame de dispersie, box plot-uri, scoruri z și scoruri z modificate.
- Ce sunt anomaliile și valorile extreme?50 XP
- Afișează rezumatul cu 5 cifre100 XP
- Histograme pentru detectarea valorilor aberante100 XP
- Diagrame de dispersie pentru detectarea valorilor extreme100 XP
- Box plot-uri și IQR50 XP
- Boxplot-uri pentru detectarea valorilor aberante100 XP
- Calcularea limitelor pentru valori aberante cu IQR100 XP
- Folosirea limitelor pentru filtrarea valorilor extreme100 XP
- Utilizarea z-scorurilor pentru detectarea anomaliilor50 XP
- Identificarea valorilor extreme cu z-scoruri100 XP
- Utilizarea z-scorurilor modificate cu PyOD100 XP
2
Isolation Forests cu PyOD
În acest capitol, vei învăța în detaliu cum funcționează algoritmul Isolation Forest. Vei explora modul în care sunt construiți arborii de izolare, parametrii esențiali ai IForest din PyOD și cum să îi ajustezi, precum și cum să interpretezi rezultatele IForest folosind scorurile de probabilitate ale valorilor aberante.
3
Algoritmi bazați pe distanță și densitate
După un clasificator bazat pe arbori, vei explora o clasă de detectori bazați pe distanță și densitate. Clasificatorii KNN și Local Outlier Factor s-au dovedit foarte eficienți în acest domeniu, iar tu vei învăța cum să îi utilizezi.
4
Detecția anomaliilor în serii de timp și ansambluri de detectori
În acest capitol, vei învăța cum să realizezi detecția anomaliilor pe seturi de date de tip serii de timp și cum să îți faci predicțiile mai stabile și mai fiabile folosind ansambluri de detectori.
Detecția anomaliilor în Python
Curs
finalizat
