异常检测

第 1 周

首先了解为何及如何检测数据中的异常。

  • 定义各种类型的异常
  • 讨论异常检测的应用
  • 解释要求的的统计学和数学

下载

第 2 周

学习如何在概率论和几何学的基础上建立异常识别。 

  • 描述异常检测的概率模型
  • 应用极值分析和基于角度的技术
  • 使用 Python 对一维和二维数据执行异常检测

下载

第 3 周

了解如何使用线性模型而不是概率模型和几何模型。

  • 应用线性回归模型和主成分分析
  • 使用支持向量机 (SVM) 进行异常检测

下载

第 4 周

探讨如何利用更多基于距离的方法来识别异常数据。

  • 描述基于邻近度的方法和局部离群值因子 (LOF)
  • 应用 k-最近邻 (KNN) 算法和 k-均值聚类

下载

第 5 周

了解如何处理涉及高维数据的难题。

  • 了解高维问题的困难
  • 应用特征袋装 (feature bagging) 的子空间方法和隔离森林算法

下载

第 6 周

了解如何使用监督学习模型以及如何使用分类。

  • 实现成本敏感性学习算法
  • 应用自适应重采样和提升方法

下载

第 7 周

探索如何对时间数据和串流数据进行分类。

  • 实现统计过程控制
  • 使用自回归模型进行串流异常检测

下载

第 8 周

测定异常检测系统的性能。

  • 评估异常检测的不同技术和类型
  • 对各种各样的数据检测进行分析

下载