Build your ultimate AI agent
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
หลักสูตร
โครงสร้างคอร์ส
1
การตรวจจับค่าผิดปกติแบบตัวแปรเดียว
บทนี้ครอบคลุมเทคนิคการตรวจจับค่าผิดปกติในข้อมูล 1 มิติ โดยใช้ฮิสโทแกรม แผนภูมิกระจาย กล่องสถิติ z-score และ modified z-score
- ความผิดปกติและค่าผิดปกติคืออะไร?50 XP
- แสดงสรุป 5 ตัวเลข100 XP
- ฮิสโทแกรมสำหรับการตรวจจับค่าผิดปกติ100 XP
- Scatterplot สำหรับการตรวจจับค่าผิดปกติ100 XP
- Box Plot และ IQR50 XP
- Boxplot สำหรับการตรวจจับค่าผิดปกติ100 XP
- การคำนวณขีดจำกัดของ Outlier ด้วย IQR100 XP
- ใช้ขีดจำกัดของ Outlier เพื่อกรองข้อมูล100 XP
- การใช้ Z-Score สำหรับการตรวจจับความผิดปกติ50 XP
- ค้นหาค่าผิดปกติด้วย z-score100 XP
- การใช้ modified z-scores ด้วย PyOD100 XP
2
Isolation Forest ด้วย PyOD
ในบทนี้ จะได้เรียนรู้การทำงานของอัลกอริทึม Isolation Forest อย่างละเอียด ตั้งแต่วิธีสร้าง Isolation Tree พารามิเตอร์สำคัญของ IForest ใน PyOD และการปรับแต่งค่าเหล่านั้น ไปจนถึงการตีความผลลัพธ์ของ IForest ด้วยคะแนนความน่าจะเป็นของค่าผิดปกติ
3
อัลกอริทึมแบบระยะทางและความหนาแน่น
หลังจากเรียนรู้ตัวจำแนกค่าผิดปกติแบบ tree-based แล้ว จะได้สำรวจกลุ่มตัวตรวจจับแบบระยะทางและความหนาแน่น ทั้ง KNN และ Local Outlier Factor ได้รับการพิสูจน์แล้วว่ามีประสิทธิภาพสูงในด้านนี้ และจะได้เรียนรู้วิธีนำไปใช้งานจริง
4
การตรวจจับความผิดปกติในอนุกรมเวลาและ Outlier Ensemble
ในบทนี้ จะได้เรียนรู้การตรวจจับความผิดปกติบนชุดข้อมูลอนุกรมเวลา และการทำให้การพยากรณ์มีความเสถียรและน่าเชื่อถือมากขึ้นด้วย outlier ensemble
การตรวจจับความผิดปกติใน Python
เรียนจบแล้ว
