Тщательно созданный, тщательно спроектированный ресурс для специалистов по данным.
Часть 1 Главы 03 из Руководства по машинному обучению для обнаружения аномалий
Внимание! Прежде чем вы продолжите читать эту статью и все статьи, составляющие это руководство, вы должны понять, что оно было частично создано с использованием модели OpenAI GPT 4. Это началось как проект самообучения, и я достаточно скоро понял, что это может быть действительно ценным для коллег-исследователей данных. По этой причине я буду выпускать полное руководство бесплатно вместе с каждой главой, чтобы вы могли сразу перейти к прочтению руководства из документа, и вам даже не нужно было давать мне время на чтение, если вы этого не хотите.
Указатель справочника
0: О создании этого руководства
1: Введение в обнаружение аномалий
2: Статистические методы обнаружения аномалий (часть 1)
2: Статистические методы обнаружения аномалий ( Часть 2)
›› 3: Введение в М. Обучение обнаружению аномалий (Часть 1) ‹‹
3: Введение в М. Обучение обнаружению аномалий (Часть 2)
4: Работа с несбалансированными классами в контролируемом обучении
5: Кластеризация K-средних для обнаружения аномалий
6: DBSCAN для обнаружения аномалий
7: Изолирующий лес для обнаружения аномалий
8: Одноклассовая SVM (машина опорных векторов) для обнаружения аномалий
9: K-ближайшие соседи (KNN) для аномалий Обнаружение
10. Изучение основных графов и структур (PGSL) для обнаружения аномалий
11. Методы уменьшения размерности для обнаружения аномалий
12. Разложение по сингулярным значениям (SVD) для обнаружения аномалий
13 : Расширенные методы матричной факторизации для обнаружения аномалий
14: Метод Нистрома для обнаружения аномалий
15: Методы ядра для обнаружения аномалий
16: Расширенные алгоритмы для обнаружения аномалий
17: Выбор функций и Инжиниринг для обнаружения аномалий
18: Полууправляемое обучение для обнаружения аномалий
19: Глубокое обучение для обнаружения аномалий
20: Методы ансамбля для обнаружения аномалий
21: Метрики оценки для обнаружения аномалий
22: Практические примеры и отраслевые приложения
23: Заключение и будущие направления в обнаружении аномалий
