After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Виявляйте аномалії у вашому аналізі даних
Екстремальні значення або аномалії присутні майже в будь-якому наборі даних, і критично важливо виявити їх та обробити перед продовженням статистичного дослідження. Якщо їх не усунути, аномалії можуть легко порушити ваші аналізи та спотворити ефективність моделей машинного навчання.
Навчіться використовувати оцінювачі, як-от Isolation Forest і Local Outlier Factor
У цьому курсі ви використовуватимете Python для реалізації різноманітних методів виявлення аномалій. Ви візуально помітите екстремальні значення та використовуватимете перевірені статистичні методи, як-от Median Absolute Deviation, для одновимірних наборів даних. Для багатовимірних даних ви навчитеся використовувати такі оцінювачі, як Isolation Forest, k-Nearest-Neighbors і Local Outlier Factor. Ви також дізнаєтеся, як об’єднувати кілька класифікаторів викидів у фінальний оцінювач із низьким ризиком. Ви отримаєте в свій арсенал важливий інструмент data science: виявлення аномалій за допомогою Python.
Розширте свій набір статистичних інструментів Python
Краще виявлення аномалій означає краще розуміння ваших даних, а особливо — кращий аналіз першопричин і комунікацію щодо поведінки системи. Додавання цієї навички до вашого наявного арсеналу Python допоможе вам у очищенні даних, виявленні шахрайства та ідентифікації системних збоїв.
Попередні вимоги
Навчальний план
Зміст курсу
1
Виявлення одновимірних викидів
У цьому розділі розглядаються техніки виявлення викидів в 1-вимірних даних за допомогою гістограм, точкових діаграм, коробкових діаграм, z-оцінок і модифікованих z-оцінок.
- Що таке аномалії та викиди?50 XP
- Надрукуйте п'ятичислове резюме100 XP
- Гістограми для виявлення викидів100 XP
- Діаграми розсіювання для виявлення викидів100 XP
- Box-плоти та IQR50 XP
- Boxplots для виявлення викидів100 XP
- Обчислення меж викидів за IQR100 XP
- Використання меж викидів для фільтрування100 XP
- Використання z-оцінок для виявлення аномалій50 XP
- Пошук викидів за допомогою z-оцінок100 XP
- Використання модифікованих z-оцінок з PyOD100 XP
2
Isolation Forest у PyOD
У цьому розділі ви детально розберете, як працює алгоритм Isolation Forest. Дослідите, як будуються Isolation Trees, основні параметри IForest у PyOD і як їх налаштовувати, а також як інтерпретувати результат IForest за допомогою ймовірнісних оцінок викидів.
3
Алгоритми на основі відстані та щільності
Після деревного класифікатора викидів ви ознайомитеся з класом детекторів на основі відстані та щільності. Класифікатори KNN і Local Outlier Factor довели свою високу ефективність у цій сфері, і ви навчитеся їх використовувати.
4
Виявлення аномалій у часових рядах і ансамблі викидів
У цьому розділі ви навчитеся виконувати виявлення аномалій у часових рядах і робити прогнози більш стабільними та надійними за допомогою ансамблів викидів.
Виявлення аномалій у Python
Курс
завершено
