#DÉTECTION ANOMALIE #MACHINE LEARNING #PYTHON #PYCARET #KNIME 

Ce que vous apprendrez

  • Choisir la technique adaptée selon les données disponibles pour appliquer la détection d'anomalie

  • Utiliser PyCaret pour détecter l'anomalie dans un jeu de données.

  • Utiliser le logiciel KNIME pour détecter l'anomalie dans un jeu de données.

  • Votre expérimente d'apprentissage

    Apprendre par la pratique, développer votre intuition et comprendre les concepts de base.

  • Notre objectif

    Vous fournir une expérience d’apprentissage pour vous aider à atteindre vos objectifs.

  • Prérequis

    Connaissances de base en Python et en apprentissage automatique

  • Applications

    Détection d'intrusion. Détection de fraude. Détection de dommages industriels. Détection d'anomalies médicales

  • Outils

    Python (distribution Anaconda), ainsi que la bibliothèque PyCaret. KNIME

Contenu du projet pratique

    1. Bienvenue

    2. Prérequis

    3. Option Premium

    4. Avant que nous commencions...

    1. Vue d’ensemble du projet

    2. Objectifs d'apprentissage

    3. Domaines d'applications

    4. Mise en place de l’environnement

    5. Jeu de données

    1. Description de la tâche

    2. Conseils

    3. Solution

    1. Description de la tâche

    2. Conseils

    3. Solution

    1. Description de la tâche

    2. Conseils

    3. Solution

    1. Description de la tâche

    2. Conseils

    3. Solution
  • Gratuit
  • 34 leçons

Description

La détection d'anomalies vise à identifier des modèles inhabituels, des anomalies ou des points de données qui ne sont pas conformes à la distribution attendue. Il existe plusieurs applications dans ce domaine. Dans ce projet, nous nous pencherons sur la détention de fraude en utilisant le jeu de données Credit Card Fraud Detection qui se trouve sur le site de Kaggle. La détection d'anomalie à l'aide de l'apprentissage supervisé est similaire à entraîner un modèle de classification. Dans ce projet, nous pratiquerons la détection d'anomalie avec l'apprentissage non-supervisé à l'aide de KNIME et Python. En sachant que de nombreuses techniques semi-supervisées peuvent être adaptées pour fonctionner en mode non supervisé en utilisant l'ensemble des données non étiqueté comme données apprentissage.

Cours et ressources de support

Certificat d'achèvement

Instructeur

Qilei Guan

Partenaire Formation

Data Analyst, passionné par les technologies de l'intelligence d'affaires, je finirai bientôt ma maîtrise en BI, concentration en science des données, à HEC Montréal. Grâce à ma formation à la fine pointe, j'ai acquis de solides connaissances en ingénierie de données, manipulation et analyse de données, visualisation de données et machine learning etc. Comme vous le savez, nous vivons dans une ère numérique, alors qu’une grosse partie des entreprises n'ont pas encore profité de leurs masse de données à cause de différentes raisons, entre autres, manque de compétences en science des données. C’est un grand plaisir de me joindre à la grande famille d’Ulluumy et de vous partager mes connaissances en intelligence d'affaires et en science des données dans le but de vous accompagner tout au long de la transition numérique.