Kurs
Python ile Anomali Tespiti
Orta SeviyeBeceri Seviyesi
Güncel 11.2025PythonProbability & Statistics4 sa16 video59 Egzersiz4,950 XP7,021Başarı Belgesi
Ücretsiz Hesabınızı Oluşturun
veya
Devam ederek Kullanım Şartlarımızı, Gizlilik Politikamızı ve verilerinizin ABD’de saklandığını kabul etmiş olursunuz.Binlerce şirketten öğrencinin sevgisini kazandı
2 veya daha fazla kişiyi mi eğitiyorsunuz?
DataCamp for Business ürününü deneyinKurs Açıklaması
Veri Analizinizdeki Anormallikleri Tespit Edin
Aşırı değerler veya anomaliler hemen hemen her veri setinde mevcuttur ve istatistiksel incelemeye devam etmeden önce bunları tespit etmek ve ele almak çok önemlidir. Düzeltilmezse, anomaliler analizlerinizi kolayca bozabilir ve makine öğrenimi modellerinin performansını çarpıtabilir.
İzolasyon Ormanı ve Yerel Aykırı Değer Faktörü gibi Tahmincileri Kullanmayı Öğrenin
Bu kursta, Python'u kullanarak çeşitli anomali tespit yöntemleri uygulayacaksınız. Aşırı değerleri görsel olarak tespit edecek ve tek değişkenli veri kümeleri için Medyan Mutlak Sapma gibi test edilmiş istatistiksel teknikleri kullanacaksınız. Çok değişkenli veriler için, Isolation Forest, k-Nearest-Neighbors ve Local Outlier Factor gibi tahmincileri kullanmayı öğreneceksiniz. Ayrıca, birden fazla aykırı sınıflandırıcıyı düşük riskli bir nihai tahminciye nasıl birleştireceğinizi de öğreneceksiniz. Python ile anomali tespiti gibi veri bilimi alanında vazgeçilmez bir araç edinmiş olacaksınız.
Python İstatistik Araç Setinizi Genişletin
Daha iyi anomali tespiti, verilerinizi daha iyi anlamak ve özellikle sistem davranışıyla ilgili daha iyi kök neden analizi ve iletişim anlamına gelir. Bu beceriyi mevcut Python repertuarınıza eklemek, veri temizleme, dolandırıcılık tespiti ve sistem bozukluklarının belirlenmesi konusunda size yardımcı olacaktır.
Önkoşullar
Supervised Learning with scikit-learn1
Detecting Univariate Outliers
This chapter covers techniques to detect outliers in 1-dimensional data using histograms, scatterplots, box plots, z-scores, and modified z-scores.
2
Isolation Forests with PyOD
In this chapter, you’ll learn the ins and outs of how the Isolation Forest algorithm works. Explore how Isolation Trees are built, the essential parameters of PyOD's IForest and how to tune them, and how to interpret the output of IForest using outlier probability scores.
3
Distance and Density-based Algorithms
After a tree-based outlier classifier, you will explore a class of distance and density-based detectors. KNN and Local Outlier Factor classifiers have been proven highly effective in this area, and you will learn how to use them.
4
Time Series Anomaly Detection and Outlier Ensembles
In this chapter, you’ll learn how to perform anomaly detection on time series datasets and make your predictions more stable and trustworthy using outlier ensembles.
Python ile Anomali Tespiti
Kurs Tamamlandı
Başarı Belgesi Kazanın
Bu kimlik bilgisini LinkedIn profilinize, özgeçmişinize veya CV'nize ekleyinSosyal medyada ve performans incelemenizde paylaşınŞimdi Kaydolun
Bugün 19 milyondan fazla öğrenciye katılın ve Python ile Anomali Tespiti eğitimine başlayın!
Ücretsiz Hesabınızı Oluşturun
veya
Devam ederek Kullanım Şartlarımızı, Gizlilik Politikamızı ve verilerinizin ABD’de saklandığını kabul etmiş olursunuz.DataCamp for Mobile ile veri becerilerinizi geliştirin
Mobil kurslarımız ve günde 5 dakikalık kodlama görevlerimizle hareket halindeyken ilerleme kaydedin.