Détection des anomalies avec l'apprentissage automatique

Aperçu

Faites progresser votre carrière avec des solutions d'ingénierie basées sur l'IA. Acquérez des compétences pratiques pour détecter les anomalies tôt et garantir les performances du système.

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

Étiquettes