Anomalies

Name: Anomalies
Author: Briana Brownell

Explorez les différentes méthodes de détection des anomalies dans l'apprentissage automatique.

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

Cours : à la demande

Dans ce chapitre, on va jeter un oeil aux anomalies et aux méthodes de détection d'anomalies les plus courantes. La prémisse de base derrière les anomalies et la détection des anomalies consiste à rechercher des valeurs aberrantes qui ne correspondent pas avec le reste des données d'une manière ou d'une autre. Donc, la façon la plus évidente de regarder il s'agit de regarder les éléments qui sont sur les côtés extrêmes du jeu de données. Ainsi, les éléments les plus bas, ainsi que les éléments les plus élevés et cela fonctionne plutôt bien si vous avez un jeu de données relativement simple où chaque dimension est totalement indépendante l'une de l'autre mais en réalité, la plupart des ensembles de données que nous utilisons contiennent un certain nombre de facteurs et donc les valeurs aberrantes peuvent ne plus être au tri des bords de l'ensemble de données. Donc, beaucoup d'algorithmes de détection d'anomalies que nous allons utiliser vont être un peu plus sophistiqué et approfondir les données. Les anomalies peuvent être à la fois intentionnelles et non intentionnelles. Des anomalies intentionnelles peuvent être une indication de quelque chose que vous, en tant qu'entreprise, souhaiteront peut-être porter une attention particulière. Des choses comme la fraude apparaissent souvent comme des anomalies, mais dans beaucoup des cas, les anomalies que nous constatons sont involontaires et donc ils peuvent être la preuve d'erreurs de saisie de données ou erreurs de collecte de données ou des données qui n'ont pas été nettoyées correctement et donc toutes ces choses sont pertinentes à la détection d'anomalies et la raison pour laquelle tu veux faire attention à la détection d'anomalies est que souvent lorsque vous construisez un modèle, ces anomalies peuvent affecter négativement votre modélisation en créant un modèle moins précis. Souvent, lorsque vous faites du machine learning supervisé, avoir des données anormales peut avoir un impact démesuré sur les résultats de la modélisation. Donc, c'est quelque chose que tu veux vraiment faire attention, quel que soit le type d'application d'apprentissage automatique que vous avez. En gros, il existe deux styles de méthodes que vous pouvez utiliser pour la détection d'anomalies, supervisé et non supervisé. Pour la détection supervisée d'anomalies, vous devez avoir un jeu de données étiqueté. Donc, vous devez avoir un jeu de données qui a une série d'observations normales, ainsi qu'une série d'observations frauduleuses ou autrement anormales. Cela vous permet d'utiliser de nombreux des différentes techniques de modélisation de machine learning, comme la modélisation de la classification afin de détecter les anomalies. La deuxième méthode utilise méthodes d'apprentissage automatique non supervisées et c'est un peu différent car à la place d'avoir cette variable de résultat étiquetée, à la place, vous regardez l'ensemble de données lui-même et vous essayez d'utiliser la structure des données afin de dire quels cas sont normaux et qui sont des valeurs aberrantes. Le plus souvent, en pratique, il s'agit de méthodes non supervisées qui servent à détecter les anomalies et c'est parce que c'est généralement très difficile pour trouver des ensembles de données étiquetés qui ont des anomalies étiquetées. Alors maintenant, vous devriez avoir une petite idée quels types de problèmes la détection d'anomalies peut résoudre et les deux méthodes de base d'une détection d'anomalie qui sont le plus souvent utilisés en pratique.

Intermédiaire Fournisseur : Briana Brownell 5 leçons · 16m en Arabe, Allemand, Anglais, Espagnol, Français, Portugais, Ourdou, Chinese

Description du cours

Ces leçons vous feront découvrir différentes méthodes de détection des anomalies et leurs applications dans le monde réel. Vous apprendrez comment différents styles d'apprentissage automatique peuvent être utilisés pour la détection d'anomalies, et quelles méthodes de regroupement spécifiques fonctionnent pour la détection d'anomalies. Nous explorerons ensuite les forêts d'isolement et la manière dont elles peuvent s'appliquer à la détection des fraudes dans le monde réel.

En outre, ce cours expliquera plus en détail comment les anomalies peuvent être détectées, ainsi que les différences entre les méthodes supervisées et non supervisées de détection des anomalies, les k-voisins les plus proches et les méthodes de détection des anomalies basées sur les clusters dans l'apprentissage automatique.

Ce que vous allez apprendre

Détecter les anomalies et identifier les façons dont les données peuvent être anormales
Distinguer les méthodes supervisées, non supervisées et semi-supervisées de détection d'anomalies
Appliquer le clustering et les méthodes basées sur les clusters pour détecter les anomalies dans l'apprentissage automatique
Utiliser les k plus proches voisins (k-nearest neighbors) pour la détection d'anomalies
Explorer les forêts d'isolation (isolation forests) et les appliquer à la détection de fraude
Examiner les défis rencontrés dans les applications réelles de la détection d'anomalies

Points clés à retenir

Différents styles d'apprentissage automatique peuvent être utilisés pour la détection d'anomalies, y compris les méthodes supervisées, non supervisées et semi-supervisées.
Le clustering spécifique et les méthodes basées sur les clusters peuvent être appliqués pour détecter les anomalies dans les données.
Les forêts d'isolation sont une méthode de détection d'anomalies qui peut être appliquée à la détection de fraude dans le monde réel.
Les k plus proches voisins sont l'une des approches couvertes pour détecter les anomalies dans l'apprentissage automatique.
Les applications réelles de la détection d'anomalies présentent des défis que le cours explore.

Foire aux questions

Que couvre ce cours ?

Le cours couvre différentes méthodes de détection d'anomalies et leurs applications réelles, y compris la façon dont les différents styles d'apprentissage automatique sont utilisés dans la détection d'anomalies, quelles méthodes de clustering fonctionnent pour elle, les forêts d'isolation, les k plus proches voisins, les méthodes basées sur les clusters et les différences entre les approches supervisées et non supervisées.

Quelles méthodes de détection d'anomalies vais-je apprendre ?

Vous découvrirez les méthodes supervisées par rapport aux méthodes non supervisées, les méthodes semi-supervisées, les k plus proches voisins, les méthodes basées sur les clusters et les forêts d'isolation.

Quelle application réelle est utilisée comme exemple ?

Le cours explore les forêts d'isolation et comment elles pourraient s'appliquer à l'application réelle de la détection de fraude.

Quelles compétences ce cours aide-t-il à développer ?

Il aide à développer des compétences en détection d'anomalies, méthodes d'exploration de données, prévention et détection des fraudes, apprentissage automatique, algorithmes d'apprentissage automatique et méthodes d'apprentissage automatique.

Quels sont les objectifs d'apprentissage ?

Détecter les anomalies et les manières dont les données peuvent être anormales, comprendre les défis rencontrés dans les applications du monde réel de la détection d'anomalies, et revoir les méthodes de clustering pour la détection d'anomalies.