After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
课程介绍
在数据分析中识别异常
极端值或异常几乎存在于任何数据集中，在继续进行统计探索之前，检测并处理它们至关重要。 如果不加处理，异常值很容易干扰你的分析并扭曲机器学习模型的性能。
学习使用 Isolation Forest 和 Local Outlier Factor 等估计器
在本课程中，你将利用 Python 实现多种异常检测方法。 您将通过视觉识别极端值，并使用经过验证的统计技术，如中位数绝对偏差，来处理单变量数据集。 对于多变量数据，你将学习使用 Isolation Forest、k-Nearest-Neighbors 和 Local Outlier Factor 等估计器。 您还将学习如何将多个异常值分类器集成为一个低风险的最终估计器。 你将掌握一项必备的数据科学工具：使用 Python 进行异常检测。
扩展你的 Python 统计工具包
更好的异常检测意味着更好地理解您的数据，尤其意味着更出色的根因分析以及对系统行为的沟通。 将这项技能加入你现有的 Python 技能组合，将帮助你进行数据清洗、欺诈检测以及识别系统异常。
先修要求
课程大纲
课程大纲
1
单变量离群点检测
2
使用 PyOD 的 Isolation Forest
本章将带您全面理解 Isolation Forest 算法的工作原理。您将了解 Isolation Tree 的构建方式、PyOD 中 IForest 的关键参数及其调优方法，并学会如何使用离群点概率分数来解释 IForest 的输出。
3
基于距离与密度的算法
在基于树的离群点分类器之后，您将学习一类基于距离与密度的检测方法。KNN 与局部离群因子（Local Outlier Factor）分类器在该领域效果显著，您将学会如何使用它们。
4
时间序列异常检测与离群点集成
本章将介绍如何对时间序列数据集进行异常检测，并通过离群点集成方法让您的预测更加稳定、可信。
Python 中的异常检测
课程完成
