Offre de Formation Detection d-anomalies - Outlier detection avec Data Value | MaFormation.fr
Data Value

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
Nous contacter

Localité

En présentiel

Découvrez les localités disponibles pour suivre cette formation en présentiel.

En savoir plus sur les localités en présentiel
Cette formation est disponible dans les centres de formation suivants:
  • 69 - Lyon 2e
Cette formation peut être dispensée dans votre entreprise dans les localités suivantes :
  • 01 - Ain
  • 03 - Allier
  • 07 - Ardèche
  • 15 - Cantal
  • 26 - Drôme
  • 38 - Isère
  • 42 - Loire
  • 43 - Haute-Loire
  • 63 - Puy-de-Dôme
  • 69 - Rhône
  • 73 - Savoie
  • 74 - Haute-Savoie

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

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





  • 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
Haut de page