Name: การตรวจจับความผิดปกติใน Python
Rating: 4.859550561797753 (178 reviews)

รายละเอียดคอร์ส

ค้นหาความผิดปกติในการวิเคราะห์ข้อมูลของคุณ

ค่าที่สุดโต่งหรือความผิดปกติมีอยู่ในแทบทุกชุดข้อมูล และเป็นสิ่งสำคัญอย่างยิ่งที่จะต้องตรวจจับและจัดการกับสิ่งเหล่านี้ก่อนดำเนินการสำรวจทางสถิติต่อไป หากปล่อยไว้โดยไม่จัดการ ความผิดปกติอาจรบกวนการวิเคราะห์ของคุณและบิดเบือนประสิทธิภาพของโมเดลแมชชีนเลิร์นนิงได้อย่างง่ายดาย

เรียนรู้การใช้งานตัวประมาณค่าอย่าง Isolation Forest และ Local Outlier Factor

ในหลักสูตรนี้ คุณจะใช้ Python เพื่อพัฒนาและนำวิธีการตรวจจับความผิดปกติหลากหลายรูปแบบไปใช้งาน คุณจะสังเกตเห็นค่าที่สุดโต่งได้ด้วยสายตา และใช้เทคนิคทางสถิติที่ผ่านการทดสอบแล้ว เช่น Median Absolute Deviation สำหรับชุดข้อมูลแบบตัวแปรเดียว สำหรับข้อมูลหลายตัวแปร คุณจะได้เรียนรู้การใช้ตัวประมาณ เช่น Isolation Forest, k-Nearest-Neighbors และ Local Outlier Factor คุณจะได้เรียนรู้วิธีรวมตัวจำแนกค่าผิดปกติหลายตัวเข้าด้วยกันเป็นตัวประมาณสุดท้ายที่มีความเสี่ยงต่ำด้วย คุณจะได้ติดตัวไปด้วยเครื่องมือสำคัญด้านวิทยาศาสตร์ข้อมูล: การตรวจจับความผิดปกติด้วย Python

ขยายชุดเครื่องมือสถิติ Python ของคุณ

การตรวจจับความผิดปกติที่ดีขึ้นหมายถึงการเข้าใจข้อมูลของคุณได้ดีขึ้น และโดยเฉพาะอย่างยิ่ง หมายถึงการวิเคราะห์หาสาเหตุรากเหง้าได้ดีขึ้น และการสื่อสารเกี่ยวกับพฤติกรรมของระบบได้ดีขึ้น การเพิ่มทักษะนี้เข้าไปในชุดทักษะ Python ที่คุณมีอยู่แล้วจะช่วยคุณในการทำความสะอาดข้อมูล การตรวจจับการฉ้อโกง และการระบุความผิดปกติของระบบ

ข้อกำหนดเบื้องต้น

Supervised Learning with scikit-learn

หลักสูตร

โครงสร้างคอร์ส

การตรวจจับค่าผิดปกติแบบตัวแปรเดียว

บทนี้ครอบคลุมเทคนิคการตรวจจับค่าผิดปกติในข้อมูล 1 มิติ โดยใช้ฮิสโทแกรม แผนภูมิกระจาย กล่องสถิติ z-score และ modified z-score

เริ่มบทเรียน

Isolation Forest ด้วย PyOD

ในบทนี้ จะได้เรียนรู้การทำงานของอัลกอริทึม Isolation Forest อย่างละเอียด ตั้งแต่วิธีสร้าง Isolation Tree พารามิเตอร์สำคัญของ IForest ใน PyOD และการปรับแต่งค่าเหล่านั้น ไปจนถึงการตีความผลลัพธ์ของ IForest ด้วยคะแนนความน่าจะเป็นของค่าผิดปกติ

เริ่มบทเรียน

อัลกอริทึมแบบระยะทางและความหนาแน่น

หลังจากเรียนรู้ตัวจำแนกค่าผิดปกติแบบ tree-based แล้ว จะได้สำรวจกลุ่มตัวตรวจจับแบบระยะทางและความหนาแน่น ทั้ง KNN และ Local Outlier Factor ได้รับการพิสูจน์แล้วว่ามีประสิทธิภาพสูงในด้านนี้ และจะได้เรียนรู้วิธีนำไปใช้งานจริง