Resumen
Avanza en tu carrera con soluciones de ingeniería impulsadas por IA. Adquiere habilidades prácticas para detectar anomalías tempranamente y asegurar el rendimiento del sistema.
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
Etiquetas
On-Demand
