Bu kursları tamamladıktan sonra profesyonel görselleştirmeler ve panolar oluşturma konusunda kendime güveniyorum
Shoebur RahmanSatın Alma Uzmanı, Giz Bangladesh
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.
Ön Koşullar
Müfredat
Kurs planı
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?50 XP
- Anomali türlerini tanıma50 XP
- Nehir nitrat verilerini keşfetme100 XP
- Aşırılıkları Grubbs testiyle sınamak50 XP
- Normalliğin görsel kontrolü100 XP
- Grubbs testi100 XP
- Grubbs testiyle birden fazla aykırı değeri avlama100 XP
- Zaman serilerinde anormallikler50 XP
- Mevsimselliğin görsel değerlendirmesi100 XP
- Mevsimsel Hibrit ESD algoritması100 XP
- Seasonal-Hybrid ESD çıktısını yorumlama100 XP
- Seasonal-Hybrid ESD ve Grubbs testi50 XP
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.
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.
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.
R
R ile Anomali Tespitine Giriş
Kurs
Tamamlandı
