Wykrywaj anomalie w analizie danych

W niemal każdym zbiorze danych występują wartości ekstremalne lub anomalie i kluczowe jest ich wykrycie oraz odpowiednie obsłużenie przed kontynuowaniem eksploracji statystycznej. Niezauważone anomalie mogą łatwo zakłócić Twoje analizy i zniekształcić wyniki modeli uczenia maszynowego.

Naucz się korzystać z estymatorów takich jak Isolation Forest i Local Outlier Factor

W tym kursie wykorzystasz Pythona do wdrożenia różnych metod wykrywania anomalii. Zauważysz wartości odstające wizualnie i wykorzystasz sprawdzone techniki statystyczne, takie jak Median Absolute Deviation, dla jednowymiarowych zbiorów danych. W przypadku danych wielowymiarowych nauczysz się korzystać z estymatorów takich jak Isolation Forest, k-Nearest-Neighbors i Local Outlier Factor. Nauczysz się także, jak łączyć wiele klasyfikatorów wykrywających obserwacje odstające w końcowy estymator o niskim ryzyku. Wyjdziesz z tego z niezbędnym narzędziem data science w swoim arsenale: wykrywaniem anomalii w Pythonie.

Rozszerz swój zestaw narzędzi statystycznych w Pythonie

Lepsze wykrywanie anomalii oznacza lepsze zrozumienie danych, a zwłaszcza lepszą analizę przyczyn źródłowych i komunikację dotyczącą zachowania systemu. Dodanie tej umiejętności do Twojego dotychczasowego repertuaru Pythona pomoże Ci w czyszczeniu danych, wykrywaniu oszustw i identyfikowaniu zakłóceń systemowych.

Najważniejsze parametry IForest

Wykrywanie anomalii w Pythonie

Interaktywne ćwiczenie praktyczne