Detection d-anomalies - Outlier Detection

Data Value

Voir des formations similaires

Public admis

Salarié en poste

Demandeur d'emploi

Entreprise

Étudiant

Modalités

En présentiel

Durée

Nous contacter

Prix

1560 €

Localité

En présentiel

Découvrez les localités disponibles pour suivre cette formation en présentiel.

Objectifs

Approfondir la connaissance de la détection d'anomalies dans un contexte de données numériques et/ou fonctionnelles à l'aide de méthodes principalement non-supervisées

Compétences visées

- Différencier une anomalie des valeurs influentes et extrêmes

- Comprendre l'intérêt de détecter les anomalies

- Mettre en œuvre les différentes méthodes statistiques pour la détection selon le contexte des données : méthodes univariées, méthodes multivariées basées sur un modèle probabiliste, sur la détermination d'un sous-espace ou sur la notion de proximité, méthodes pour des données fonctionnelles, méthodes pour des données en HDLSS

Programme

Programme

- Introduction

Qu'est-ce qu'une anomalie ? une valeur influente ? une valeur extrême ?

Les différentes motivations à la détection d'anomalies

La notion de robustesse

- Les méthodes univariées

La règle du k-sigma et test de Grubbs

Règles du boxplot

Tests en fonction de la distribution

- Les méthodes multivariées - généralités

Les grandes approches dans la détection d'anomalies

Évaluation des méthodes
- Caractéristiques souhaitées
- Métriques
- Contributeurs ou signature des défauts

- Les méthodes multivariées basées sur un modèle probabiliste

T2 de Hotelling, la distance de Mahalanobis et sa version robuste

Notion de profondeur et notion d'angles

- Les méthodes multivariées basées sur la détermination d'un sous-espace

L'ACP et sa version robuste

Les réseaux de neurones

- Les méthodes multivariées basées sur la notion de proximité

La classification non supervisée

Le LOF basé sur la densité

- Les méthodes pour des données fonctionnelles

Introduction au contexte de données fonctionnelles

L'analyse de données fonctionnelles
- Méthode de lissage
  - Spline cubique
  - Polynômes locaux
- Réduction de dimension
  - Grandeurs statistiques (moyenne…)
  - Décomposition en coefficients d'ondelettes