Detección de anomalías con aprendizaje automático

Resumen

Los ingenieros son responsables de detectar anomalías y garantizar la fiabilidad de los productos que producen. Los avances en inteligencia artificial (IA) ofrecen nuevas herramientas para que los ingenieros identifiquen rápidamente anomalías y anticipen las necesidades de mantenimiento, previniendo costosos tiempos de inactividad y fallos.

Adquirir estas habilidades te permitirá mantenerte competitivo y mejorar la calidad y fiabilidad de tus sistemas.

Programa de estudio

• Introducción a la Detección de Anomalías
Definición y significancia de la detección de anomalías
Visión general de aplicaciones en ingeniería e industria
Tipos de anomalías: puntuales, contextuales y colectivas
• Fundamentos del Aprendizaje Automático
Aprendizaje supervisado vs no supervisado
Visión general de técnicas de clasificación y agrupamiento
Métricas de evaluación: precisión, exhaustividad, puntuación F1 y ROC-AUC
• Preprocesamiento de Datos para la Detección de Anomalías
Recolección de datos y tipos de datos
Limpieza de datos y manejo de valores faltantes
Selección de características y reducción de dimensionalidad
Normalización y estandarización
• Métodos No Supervisados para la Detección de Anomalías
Enfoques basados en agrupamiento: k-means, DBSCAN
Métodos basados en densidad: Isolation Forest, Local Outlier Factor
Autoencoders para la detección de anomalías
• Métodos Supervisados para la Detección de Anomalías
Elección de las etiquetas correctas para la detección de anomalías
Técnicas de clasificación para la detección de anomalías
Detección de anomalías en series temporales
• Detección de Anomalías en Tiempo Real
Datos en streaming y monitoreo continuo
Implementación de sistemas de detección de anomalías en tiempo real
Consideraciones de rendimiento en sistemas de tiempo real
• Despliegue de Modelos de Detección de Anomalías
Estrategias de despliegue de modelos
Integración de detección de anomalías en flujos de trabajo de mantenimiento y monitoreo
Desafíos y consideraciones en el despliegue
• Estudios de Caso y Aplicaciones
Manufactura industrial y mantenimiento predictivo
Detección de fraudes financieros
Seguridad de redes y detección de intrusiones
• Herramientas y Plataformas para la Detección de Anomalías
Visión general de bibliotecas y herramientas populares: Scikit-learn, TensorFlow, PyTorch
Soluciones y servicios basados en la nube
Construcción de soluciones personalizadas con herramientas de código abierto
• Proyecto Final
Proyecto de detección de anomalías en el mundo real
Selección de conjuntos de datos y definición del problema
Construcción, evaluación y presentación del modelo de detección de anomalías

---

Enseñado por

Megan Thompson, Kathy Tao, Rohit Ramanathan, Marissa D'Alonzo and Brian Buechel

---

Asignaturas

Informática