Oreilly – Outlier Detection in Python, Video Edition 2024-12

توضیحات

دوره Outlier Detection in Python, Video Edition. این دوره آموزشی به شما می‌آموزد چگونه داده‌های غیرمعمول، جالب یا مشکوک را در مجموعه‌های داده خود با استفاده از پایتون شناسایی کنید. دانشمندان داده علاوه بر کشف الگوها، باید استثناها را نیز تشخیص دهند، چرا که این ناهنجاری‌ها اغلب حاوی بینش‌های ارزشمند، مشکلات پنهان یا فرصت‌های جدید هستند. در این دوره، شما با روش‌های عملی شناسایی نقاطی که از الگوی کلی داده فاصله دارند آشنا می‌شوید، حتی زمانی که این نقاط در میان اطلاعات عادی پنهان شده باشند. مباحث شامل استفاده از کتابخانه‌های استاندارد پایتون، انتخاب روش‌های مناسب، ترکیب تکنیک‌های مختلف برای بهبود دقت و تفسیر مؤثر نتایج است. همچنین، کار با انواع داده‌های عددی، دسته‌ای، متنی و سری زمانی پوشش داده می‌شود. شناسایی ناهنجاری‌ها در حوزه‌هایی مانند کشف تقلب، تحلیل امنیتی و کنترل کیفیت داده‌ها کاربرد دارد. این دوره با مثال‌های واقعی از صنایع مختلف، از جمله مالی، رسانه‌های اجتماعی و شبکه، همراه است و ابزارهای ضروری مانند scikit-learn و PyOD را آموزش می‌دهد. پیش‌نیازهای این دوره شامل آشنایی مقدماتی با آمار و محیط پایتون است. در پایان، شما توانایی اعمال الگوریتم‌های کلیدی و تکنیک‌های کاربردی برای شناسایی و تحلیل ناهنجاری‌ها در انواع داده‌ها را خواهید داشت.

آنچه فرا خواهید گرفت:

• استفاده از کتابخانه‌های پایتون برای شناسایی نقاط پرت
• انتخاب مناسب‌ترین روش‌های تشخیص نقاط پرت
• ترکیب چندین روش تشخیص نقاط پرت برای بهبود نتایج
• تفسیر مؤثر نتایج تشخیص نقاط پرت
• کار با داده‌های عددی برای تشخیص نقاط پرت
• کار با داده‌های دسته‌ای برای تشخیص نقاط پرت
• کار با داده‌های سری زمانی برای تشخیص نقاط پرت
• کار با داده‌های متنی برای تشخیص نقاط پرت

این دوره مناسب چه کسانی است؟

• برنامه‌نویسان پایتون که با ابزارهایی مانند pandas و NumPy آشنا هستند.
• افرادی که دانش پایه‌ای در آمار دارند.
• هر کسی که علاقه‌مند به شناسایی ناهنجاری‌ها و نقاط پرت در داده‌ها است.
• دانشمندان داده که به دنبال یادگیری تکنیک‌های تشخیص نقاط پرت هستند.
• تحلیلگران داده که می‌خواهند مهارت‌های خود را در شناسایی نقاط پرت بهبود بخشند.

مشخصات دوره Outlier Detection in Python, Video Edition

• ناشر: Oreilly
• مدرس: Brett Kennedy
• سطح آموزش: مبتدی تا پیشرفته
• مدت زمان آموزش: 19 ساعت و 35 دقیقه

سرفصل های دوره

• Part 1.
  Chapter 1. Introducing outlier detection
  Chapter 1. Outlier detection’s place in machine learning
  Chapter 1. Outlier detection in tabular data
  Chapter 1. Definitions of outliers
  Chapter 1. Trends in outlier detection
  Chapter 1. How does this book teach outlier detection?
  Chapter 1. Summary
  Chapter 2. Simple outlier detection
  Chapter 2. One-dimensional categorical outliers: Rare values
  Chapter 2. Multidimensional outliers
  Chapter 2. Rare combinations of categorical values
  Chapter 2. Rare combinations of numeric values
  Chapter 2. Noise vs. inliers and outliers
  Chapter 2. Local and global outliers
  Chapter 2. Combining the scores of univariate tests
  Chapter 2. Summary
  Chapter 3. Machine learning-based outlier detection
  Chapter 3. Types of algorithms
  Chapter 3. Types of detectors
  Chapter 3. Summary
  Chapter 4. The outlier detection process
  Chapter 4. Determining the types of outliers we are interested in
  Chapter 4. Choosing the type of model to be used
  Chapter 4. Collecting the data
  Chapter 4. Examining the data
  Chapter 4. Cleaning the data
  Chapter 4. Feature selection
  Chapter 4. Feature engineering
  Chapter 4. Encoding categorical values
  Chapter 4. Scaling numeric values
  Chapter 4. Fitting a set of models and generating predictions
  Chapter 4. Evaluating the models
  Chapter 4. Setting up ongoing outlier detection systems
  Chapter 4. Refitting the models as necessary
  Chapter 4. Summary
• Part 2.
  Chapter 5. Outlier detection using scikit-learn
  Chapter 5. Isolation Forest
  Chapter 5. LocalOutlierFactor (LOF)
  Chapter 5. One-class SVM (OCSVM)
  Chapter 5. Elliptic Envelope
  Chapter 5. Gaussian mixture models
  Chapter 5. BallTree and KDTree
  Chapter 5. Summary
  Chapter 6. The PyOD library
  Chapter 6. Histogram-based Outlier Score (HBOS)
  Chapter 6. Empirical Cumulative Distribution Function (ECOD)
  Chapter 6. Copula-based outlier detection (COPOD)
  Chapter 6. Angle-based outlier detection (ABOD)
  Chapter 6. Clustering-based local outlier factor (CBLOF)
  Chapter 6. Local correlation integral (LOCI)
  Chapter 6. Connectivity-based outlier factor (COF)
  Chapter 6. Principal component analysis (PCA)
  Chapter 6. Subspace outlier detection
  Chapter 6. FeatureBagging
  Chapter 6. Cook’s Distance
  Chapter 6. Using SUOD for faster model training
  Chapter 6. The PYOD thresholds module
  Chapter 6. Summary
  Chapter 7. Additional libraries and algorithms for outlier detection
  Chapter 7. The alibi-detect library
  Chapter 7. The PyCaret library
  Chapter 7. Local outlier probability (LoOP)
  Chapter 7. Local distance-based outlier factor (LDOF)
  Chapter 7. Extended Isolation Forest (EIF)
  Chapter 7. Outlier Detection Using In-degree Number (ODIN)
  Chapter 7. Clustering
  Chapter 7. Entropy
  Chapter 7. Association Rules
  Chapter 7. Convex Hull
  Chapter 7. Distance metric learning (DML)
  Chapter 7. NearestSample
  Chapter 7. Summary
• Part 3.
  Chapter 8. Evaluating detectors and parameters
  Chapter 8. Contour plots
  Chapter 8. Visualizing subspaces in real-world data
  Chapter 8. Correlation between detectors with full real-world datasets
  Chapter 8. Modifying real-world data
  Chapter 8. Testing with classification datasets
  Chapter 8. Timing experiments
  Chapter 8. Summary
  Chapter 9. Working with specific data types
  Chapter 9. Special data types
  Chapter 9. Text features
  Chapter 9. Encoding categorical data
  Chapter 9. Scaling numeric values
  Chapter 9. Binning numeric data
  Chapter 9. Distance metrics
  Chapter 9. Summary
  Chapter 10. Handling very large and very small datasets
  Chapter 10. Data with many rows
  Chapter 10. Working with very small datasets
  Chapter 10. Summary
  Chapter 11. Synthetic data for outlier detection
  Chapter 11. Generating new synthetic data
  Chapter 11. Doping
  Chapter 11. Simulations
  Chapter 11. Training classifiers to distinguish real from fake data
  Chapter 11. Summary
  Chapter 12. Collective outliers
  Chapter 12. Preparing the data
  Chapter 12. Testing for duplicates
  Chapter 12. Testing for gaps
  Chapter 12. Testing for missing combinations
  Chapter 12. Creating new tables to capture collective outliers
  Chapter 12. Identifying trends
  Chapter 12. Unusual distributions
  Chapter 12. Rolling windows features
  Chapter 12. Tests for unusual numbers of point anomalies
  Chapter 12. Summary
  Chapter 13. Explainable outlier detection
  Chapter 13. Post hoc explanations
  Chapter 13. Interpretable outlier detectors
  Chapter 13. Summary
  Chapter 14. Ensembles of outlier detectors
  Chapter 14. Accuracy metrics with ensembles
  Chapter 14. Methods to create ensembles
  Chapter 14. Selecting detectors for an ensemble
  Chapter 14. Scaling scores
  Chapter 14. Combining scores
  Chapter 14. Summary
  Chapter 15. Working with outlier detection predictions
  Chapter 15. Examining the flagged outliers
  Chapter 15. Automating the process of sorting outlier detection results
  Chapter 15. Semisupervised learning
  Chapter 15. Regression testing
  Chapter 15. Summary
• Part 4.
  Chapter 16. Deep learning-based outlier detection
  Chapter 16. PyOD
  Chapter 16. Image data
  Chapter 16. alibi-detect
  Chapter 16. Self-supervised learning for outlier detection with tabular data
  Chapter 16. Summary
  Chapter 17. Time-series data
  Chapter 17. Types of time-series outliers
  Chapter 17. Tools for time-series data
  Chapter 17. Summary

تصاویر دوره

نمونه فیلم دوره

لینک دانلود

دانلود بخش 1 – 1 گیگابایت

دانلود بخش 2 – 1 گیگابایت

دانلود بخش 3 – 1 گیگابایت

دانلود بخش 4 – 244 مگابایت

گذرواژه فایل(ها): www.downloadly.ir

حجم فایل

3.2 گیگابایت