Ana içeriğe atla

Kurs

R ile Anomali Tespitine Giriş

Orta SeviyeBeceri Seviyesi

Güncel 09.2024

Aykırı değerleri belirlemek için istatistiksel testleri ve gelişmiş anomali puanlama algoritmalarını kullanmayı öğrenin.

Kursa Ücretsiz Başlayın

RProbability & Statistics

4 sa

13 video

47 Egzersiz

3,900 XP

7,338

Başarı Belgesi

Binlerce şirketten öğrencinin sevgisini kazandı

Bir Ekibi Eğitiyor musunuz?

İşletmeler için deneyin

Kurs Açıklaması

Verinde hatalı ya da şüpheli kayıtlar olduğundan endişe ediyor ama nereden başlayacağını bilmiyor musun? Anomaly detection algoritmaları işine yarayabilir! Anomaly detection, olağan dışı veri noktalarını belirlemek için tasarlanmış tekniklerin bir bütünüdür ve dolandırıcılığı tespit etmek ile bilgisayar ağlarını kötü amaçlı etkinliklere karşı korumak için kritiktir. Bu derste, aykırı değerleri belirlemek için istatistiksel testleri inceleyecek ve local outlier factor ile isolation forest gibi gelişmiş anomali puanlama algoritmalarını kullanmayı öğreneceksin. UCI Wine kalite veri kümesinde sıra dışı şarapları belirlemek ve anormal hormon ölçümlerinden tiroit hastalığı vakalarını tespit etmek için anomaly detection algoritmalarını uygulayacaksın.

Önkoşullar

1

İstatistiksel aykırı değer tespiti

Bu bölümde, sayısal ve görsel özetlerin veride olağan dışı noktalar olup olmadığını gayriresmî olarak değerlendirmek için nasıl kullanılabileceğini öğreneceksin. Bir noktanın aykırı değer olup olmadığını kontrol etmek için Grubbs testi adı verilen istatistiksel bir yöntemi kullanacak ve veriler zaman serisi olduğunda aykırı değerleri belirlemeye yardımcı olabilen Mevsimsel-Hibrit ESD algoritmasını öğreneceksin.

Anomalilerden bahsederken neyi kastediyoruz?

Anomali türlerini tanıma

Nehir nitrat verilerini keşfetme

Aşırılıkları Grubbs testiyle sınamak

Normalliğin görsel kontrolü

Grubbs testi

Grubbs testiyle birden fazla aykırı değeri avlama

Zaman serilerinde anormallikler

Mevsimselliğin görsel değerlendirmesi

Mevsimsel Hibrit ESD algoritması

Seasonal-Hybrid ESD çıktısını yorumlama

Seasonal-Hybrid ESD ve Grubbs testi

Bölümü Başlat

2

Uzaklık ve yoğunluk temelli anomali tespiti

Bu bölümde, veride birden çok özellik olduğunda her veri noktası için sürekli anomali puanları oluşturmakta kullanılan k-en yakın komşu uzaklığını ve local outlier factor’ü nasıl hesaplayacağını öğreneceksin. Ayrıca yerel ve küresel anomaliler arasındaki farkı ve her iki durumda da bu iki algoritmanın nasıl yardımcı olabileceğini öğreneceksin.

k-en yakın komşu uzaklık skoru

Şarabı keşfetme

kNN uzaklık matrisi

kNN mesafe skoru

kNN mesafesini görselleştirme

Özellikleri standartlaştırma

kNN skorunu ekleme

kNN uzaklık skorunu görselleştirme

Yerel aykırılık faktörü

LOF hesaplama

LOF görselleştirmesi

Bölümü Başlat

3

Isolation forest

k-en yakın komşu uzaklığı ve local outlier factor, her noktayı puanlamak için en yakın komşuların uzaklığını veya göreli yoğunluğunu kullanır. Bu bölümde, isolation forest olarak adlandırılan alternatif bir ağaç tabanlı yaklaşımı inceleyeceksin; bu, veriyi giderek daha küçük bölgelere rastgele bölerek noktaların ne kadar kolay ayrılabildiğini ölçen, hızlı ve sağlam bir anomali tespit yöntemidir.

İzolasyon ağaçları

Bir isolation tree ile fit ve predict

Skor yorumlama

Isolation forest

Bir isolation forest modeli kur

Yakınsamayı kontrol etme

Isolation skorunu görselleştirme

Bir nokta ızgarası

Izgarada tahmin

Anomali izoçizgileri

Bölümü Başlat

4

Performans karşılaştırma

Artık anomali puanlama için birkaç farklı algoritmayla tanıştın. Bu son bölümde, etiketli anomalilerin mevcut olduğu durumlarda algoritmaların tespit performansını karşılaştırmayı öğreneceksin. Bir anomali puanı için precision ve recall istatistiklerini nasıl hesaplayıp yorumlayacağını ve algoritmaları kategorik özellik içeren verileri de kapsayacak şekilde nasıl uyarlayacağını öğreneceksin.

Etiketli aykırılıklar

Tiroid verileri

Tiroid hastalığını görselleştirme

Anomali skoru

Performansı ölçme

İkili puanlar

İkili puanları çapraz tabloyla göster

Tiroid için precision ve recall

Kategorik özelliklerle çalışma

Character'dan factor'a dönüştürme

Faktörlerle isolation forest

Faktörlerle LOF

Bölümü Başlat

R ile Anomali Tespitine Giriş

Kurs
Tamamlandı

Başarı Belgesi Kazanın

Bu kimlik bilgisini LinkedIn profilinize, özgeçmişinize veya CV'nize ekleyin
Sosyal medyada ve performans incelemenizde paylaşınŞimdi kaydolun

Bugün 19 milyondan fazla öğrenciye katılın ve R ile Anomali Tespitine Giriş eğitimine başlayın!

DataCamp for Mobile ile veri becerilerinizi geliştirin

Mobil kurslarımız ve günde 5 dakikalık kodlama görevlerimizle hareket halindeyken ilerleme kaydedin.