Build your ultimate AI agent
Kursbeskrivning
Upptäck avvikelser i din dataanalys
Extrema värden eller avvikelser finns i nästan alla dataset, och det är avgörande att upptäcka och hantera dem innan den statistiska utforskningen fortsätter. När de lämnas obehandlade kan avvikelser lätt störa dina analyser och snedvrida prestandan hos maskininlärningsmodeller.
Lär dig använda estimatorer som Isolation Forest och Local Outlier Factor
I den här kursen kommer du att använda Python för att implementera en rad olika metoder för avvikelsedetektering. Du kommer att upptäcka extrema värden visuellt och använda beprövade statistiska tekniker som Median Absolute Deviation för univariata datamängder. För multivariat data lär du dig att använda estimatorer som Isolation Forest, k-Nearest-Neighbors och Local Outlier Factor. Du kommer också att lära dig hur du kan kombinera flera outlier-klassificerare till en slutlig estimator med låg risk. Du kommer att gå därifrån med ett viktigt verktyg för datavetenskap i din verktygslåda: avvikelsedetektering med Python.
Utöka din statistiska Python-verktygslåda
Bättre avvikelsedetektering ger bättre förståelse för dina data och framför allt bättre rotorsaksanalys och kommunikation kring systemets beteende. Att lägga till denna färdighet i din befintliga Python-verktygslåda hjälper dig med datarensning, bedrägeridetektering och att identifiera systemstörningar.
Förkunskapskrav
Kursplan
Kursöversikt
1
Detektering av univariata outliers
Det här kapitlet behandlar tekniker för att detektera outliers i endimensionella data med hjälp av histogram, spridningsdiagram, lådagram, z-värden och modifierade z-värden.
- Vad är anomalier och avvikare?50 XP
- Skriv ut en 5-talssummering100 XP
- Histogram för att upptäcka avvikande värden100 XP
- Spridningsdiagram för att upptäcka avvikare100 XP
- Lådagram och IQR50 XP
- Lådagram för avvikelsedetektering100 XP
- Beräkna avvikelsegränser med IQR100 XP
- Filtrera med gränsvärden för avvikare100 XP
- Använda z-poäng för avvikelsedetektering50 XP
- Hitta avvikare med z-poäng100 XP
- Modifierade z-värden med PyOD100 XP
2
Isolation Forests med PyOD
I det här kapitlet lär du dig hur Isolation Forest-algoritmen fungerar i grunden. Du utforskar hur Isolation Trees byggs upp, de viktigaste parametrarna i PyOD:s IForest och hur du justerar dem, samt hur du tolkar IForest-resultatet med hjälp av sannolikhetspoäng för outliers.
3
Avstånds- och densitetsbaserade algoritmer
Efter ett trädbaserat outlier-klassificerare utforskar du en klass av avstånds- och densitetsbaserade detektorer. KNN och Local Outlier Factor-klassificerare har visat sig vara mycket effektiva inom det här området, och du lär dig hur du använder dem.
4
Avvikelsedetektering i tidsserier och outlier-ensembler
I det här kapitlet lär du dig att utföra avvikelsedetektering på tidsseriedatamängder och göra dina förutsägelser mer stabila och tillförlitliga med hjälp av outlier-ensembler.
Avvikelsedetektering i Python
Kurs
slutförd
