Anomalien

Name: Anomalien
Author: Briana Brownell

Sie erkunden die verschiedenen Methoden der Anomalieerkennung beim maschinellen Lernen.

Preview the first lesson free — get full access to all 5 lessons.

Kurs: On-Demand

In diesem Kapitel werden wir einen Blick darauf werfen bei Anomalien und den gängigsten Methoden zur Erkennung von Anomalien. Die Grundvoraussetzung hinter Anomalien und die Anomalieerkennung besteht darin, nach Ausreißern zu suchen, die nicht passen mit den restlichen Daten in irgendeiner Weise. Also die naheliegendste Art zu schauen Dabei geht es darum, die Elemente zu betrachten, die sind an den äußersten Seiten des Datensatzes. Also sowohl die niedrigsten als auch die höchsten Gegenstände und das funktioniert ziemlich gut wenn Sie einen relativ einfachen Datensatz haben wo jede Dimension völlig unabhängig voneinander ist aber in Wirklichkeit die meisten Datensätze die wir verwenden, haben eine Reihe von Faktoren in sich und so können die Ausreißer nicht mehr sein an der Art der Kanten des Datensatzes. Also viele der Anomalieerkennungsalgorithmen die wir verwenden werden etwas raffinierter und tiefer in die Daten eintauchen. Anomalien können sowohl beabsichtigt als auch unbeabsichtigt sein. Absichtliche Anomalien könnten ein Hinweis sein von etwas, das Sie als Unternehmen besondere Aufmerksamkeit schenken möchten. Dinge wie Betrug zeigen sich oft als Anomalien, aber in vielen In den meisten Fällen sind die von uns gefundenen Anomalien unbeabsichtigt und so können sie Hinweise auf Dateneingabefehler sein oder Datenerfassungsfehler oder Daten, die nicht ganz richtig bereinigt wurden und so sind all diese Dinge relevant zur Anomalieerkennung und den Grund, warum Sie darauf achten möchten zur Anomalieerkennung ist das oft Wenn Sie ein Modell bauen, diese Anomalien können Ihre Modellierung negativ beeinflussen durch Erstellen eines Modells, das weniger genau ist. Wenn Sie überwachtes maschinelles Lernen durchführen, anormale Daten zu haben, kann übergroße Auswirkungen haben auf den Modellierungsergebnissen. Also, es ist etwas, was Sie definitiv wollen zu beachten, egal welcher Art der Anwendung für maschinelles Lernen, die Sie haben. Im Großen und Ganzen gibt es zwei Arten von Methoden, die Sie verwenden können zur Erkennung von Anomalien, überwacht und unüberwacht. Für die überwachte Erkennung von Anomalien, Sie müssen einen beschrifteten Datensatz haben. Sie benötigen also einen Datensatz mit einer Reihe von Beobachtungen, die normal sind, sowie eine Reihe von Beobachtungen, die betrügerisch oder anderweitig anormal sind. Mit dieser Erlaubnis können Sie viele verwenden der verschiedenen Machine-Learning-Modellierungstechniken, wie Klassifikationsmodellierung um die Anomalien zu erkennen. Die zweite Methode verwendet unüberwachte maschinelle Lernverfahren und das ist ein wenig anders, weil stattdessen stattdessen diese beschriftete Ergebnisvariable zu haben, Sie betrachten den Datensatz selbst und Sie versuchen, die Struktur der Daten zu verwenden um zu sagen, welche Fälle normal sind und welche Ausreißer sind. In der Praxis sind es meistens unüberwachte Methoden die zur Erkennung von Anomalien verwendet werden und das liegt daran, dass es normalerweise wirklich schwierig ist um beschriftete Datensätze zu finden, die beschriftete Anomalien aufweisen. So, jetzt sollten Sie eine kleine Vorstellung haben welche Art von Problemen die Anomalieerkennung lösen kann und die beiden grundlegenden Methoden zur Erkennung von Anomalien die in der Praxis am häufigsten verwendet werden.

Mittelstufe Anbieter : Briana Brownell 5 Lektionen · 16m auf Arabisch, Deutsch, Englisch, Spanisch, Französisch, Portugiesisch, Urdu, Chinese

Kursbeschreibung

In diesen Lektionen lernen Sie verschiedene Methoden der Anomalieerkennung und ihre praktischen Anwendungen kennen. Sie werden lernen, wie verschiedene Arten des maschinellen Lernens bei der Erkennung von Anomalien eingesetzt werden können und welche spezifischen Clustering-Methoden für die Erkennung von Anomalien geeignet sind. Im Gegenzug werden wir Isolation Forests erforschen und wie sie in der realen Anwendung der Betrugserkennung eingesetzt werden können. Darüber hinaus wird in diesem Kurs näher erläutert, wie Anomalien erkannt werden können, sowie die Unterschiede zwischen überwachten und unbeaufsichtigten Methoden der Anomalieerkennung, k-nearest neighbors und clusterbasierten Methoden zur Erkennung von Anomalien beim maschinellen Lernen.

Was Sie lernen werden

Erkennen Sie Anomalien und identifizieren Sie die Möglichkeiten, wie Daten anomal sein könnten
Unterscheiden Sie zwischen überwachten, unbeaufsichtigten und halbüberwachten Methoden der Anomalieerkennung
Wenden Sie Clustering und clusterbasierte Methoden an, um Anomalien im maschinellen Lernen zu erkennen
Verwenden Sie k-nächste Nachbarn zur Anomalieerkennung
Erkunden Sie Isolation Forests und wenden Sie diese auf Betrugserkennung an
Untersuchen Sie die Herausforderungen in realen Anwendungen der Anomalieerkennung

Wichtige Erkenntnisse

Verschiedene Stile des maschinellen Lernens können für die Anomalieerkennung verwendet werden, einschließlich überwachter, unbeaufsichtigter und halbüberwachter Methoden.
Bestimmte Clustering- und clusterbasierte Methoden können angewendet werden, um Anomalien in Daten zu erkennen.
Isolation Forests sind eine Anomalieerkennung-Methode, die auf reale Betrugserkennung angewendet werden kann.
K-nächste Nachbarn ist einer der Ansätze, die für die Erkennung von Anomalien im maschinellen Lernen behandelt werden.
Reale Anwendungen der Anomalieerkennung stellen Herausforderungen dar, die der Kurs erforscht.

Häufig gestellte Fragen

Was behandelt dieser Kurs?

Der Kurs behandelt verschiedene Methoden der Anomalieerkennung und ihre realen Anwendungen, einschließlich wie verschiedene Stile des maschinellen Lernens in der Anomalieerkennung verwendet werden, welche Clustering-Methoden dafür funktionieren, Isolation Forests, k-nächste Nachbarn, clusterbasierte Methoden und die Unterschiede zwischen überwachten und unbeaufsichtigten Ansätzen.

Welche Methoden der Anomalieerkennung werde ich lernen?

Sie lernen über überwachte vs. unbeaufsichtigte Methoden, halbüberwachte Methoden, k-nächste Nachbarn, clusterbasierte Methoden und Isolation Forests.

Welche reale Anwendung wird als Beispiel verwendet?

Der Kurs erforscht Isolation Forests und wie diese auf die reale Anwendung der Betrugserkennung angewendet werden könnten.

Welche Fähigkeiten hilft dieser Kurs zu entwickeln?

Er hilft, Fähigkeiten in Anomalieerkennung, Data-Mining-Methoden, Betrugsprävention und -erkennung, maschinellem Lernen, Algorithmen des maschinellen Lernens und Methoden des maschinellen Lernens zu entwickeln.

Welche Lernziele gibt es?

Anomalien zu erkennen und die Möglichkeiten zu identifizieren, wie Daten anomal sein könnten, die Herausforderungen innerhalb realer Anwendungen der Anomalieerkennung zu verstehen, und Clustering-Methoden für die Anomalieerkennung zu überprüfen.