Detection d-anomalies - Outlier Detection
Data Value
Non finançable CPF
Tout public
Présentiel
Public admis
Salarié en poste
Demandeur d'emploi
Entreprise
Etudiant
Prix
1560 €
Durée
Nous contacter
Niveau visé
Non diplômante
Localité
En présentiel
Découvrez les localités disponibles pour suivre cette formation en présentiel.
Objectifs
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 oeuvre 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
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 oeuvre 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
-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
o Caractéristiques souhaitées
o Métriques
o 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
o Méthode de lissage
-Spline cubique
-Polynômes locaux
o Réduction de dimension
-Grandeurs statistiques (moyenne...)
-Décomposition en coefficients d'ondelettes
-Méthodes de détection d'anomalies dans un contexte univarié
-Méthodes de détection d'anomalies dans un contexte multivarié
-Les méthodes pour des données en HDLSS (grande dimension, faible taille d'échantillonnage)
-Présentation des challenges induits par ce contexte
-Les principales méthodes
-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
o Caractéristiques souhaitées
o Métriques
o 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
o Méthode de lissage
-Spline cubique
-Polynômes locaux
o Réduction de dimension
-Grandeurs statistiques (moyenne...)
-Décomposition en coefficients d'ondelettes
-Méthodes de détection d'anomalies dans un contexte univarié
-Méthodes de détection d'anomalies dans un contexte multivarié
-Les méthodes pour des données en HDLSS (grande dimension, faible taille d'échantillonnage)
-Présentation des challenges induits par ce contexte
-Les principales méthodes
Envie d’en savoir plus sur cette formation ?
Documentez-vous sur la formation
Ces formations peuvent vous intéresser
Formation au métier de Data Analyst (Power BI, SQL, certification...
LILLE, GRENOBLE, MARSEILLE ET 11 AUTRE(S) LOCALITÉ(S)
Offre spéciale
Avis du centre
