Détection des anomalies avec l'apprentissage automatique

Aperçu

Engineers are responsible for detecting abnormalities and ensuring reliability in the products they produce. Developments in artificial intelligence (AI) provide new tools for engineers to quicky identify anomalies and anticipate maintenance needs, preventing costly downtime and failures.

Acquiring these skills will enable you to remain competitive and enhance the quality and reliability of your systems.

Programme

• Introduction à la détection d'anomalies
Définition et importance de la détection d'anomalies
Vue d'ensemble des applications en ingénierie et dans l'industrie
Types d'anomalies : ponctuelles, contextuelles et collectives
• Fondamentaux de l'apprentissage automatique
Apprentissage supervisé vs non supervisé
Vue d'ensemble des techniques de classification et de regroupement
Mesures d'évaluation : précision, rappel, score F1 et ROC-AUC
• Prétraitement des données pour la détection d'anomalies
Collecte de données et types de données
Nettoyage des données et gestion des valeurs manquantes
Sélection de caractéristiques et réduction de dimensionnalité
Normalisation et standardisation
• Méthodes non supervisées pour la détection d'anomalies
Approches basées sur le regroupement : k-means, DBSCAN
Méthodes basées sur la densité : Isolation Forest, Facteur Local d'Anomalie
Auto-encodeurs pour la détection d'anomalies
• Méthodes supervisées pour la détection d'anomalies
Choisir les bonnes étiquettes pour la détection d'anomalies
Techniques de classification pour la détection d'anomalies
Détection d'anomalies dans les séries temporelles
• Détection d'anomalies en temps réel
Données en streaming et surveillance continue
Mise en œuvre de systèmes de détection d'anomalies en temps réel
Considérations de performance dans les systèmes en temps réel
• Déploiement des modèles de détection d'anomalies
Stratégies de déploiement des modèles
Intégration de la détection d'anomalies dans les flux de travail de maintenance et de surveillance
Défis et considérations du déploiement
• Études de cas et applications
Fabrication industrielle et maintenance prédictive
Détection de fraude financière
Sécurité réseau et détection d'intrusion
• Outils et plateformes pour la détection d'anomalies
Vue d'ensemble des bibliothèques et outils populaires : Scikit-learn, TensorFlow, PyTorch
Solutions et services basés sur le cloud
Construction de solutions personnalisées avec des outils open-source
• Projet final
Projet de détection d'anomalies en conditions réelles
Sélection du jeu de données et définition du problème
Création, évaluation et présentation du modèle de détection d'anomalies

---

Enseigné par

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

---

Matières

Computer Science