Detection d-anomalies - Outlier Detection

Data Value

Non finançable CPF

Tout public

Présentiel

Public admis

Salarié en poste

Demandeur d'emploi

Entreprise

Étudiant

Prix

1560 €

Durée

Nous contacter

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