Outlier Detection in Python
Книга «Outlier Detection in Python» представляет собой всеобъемлющее руководство по обнаружению аномалий (выбросов) в данных с использованием языка Python. Автор, Бретт Кеннеди, подробно рассматривает как фундаментальные концепции, так и передовые методы, применяемые в этой важной области анализа данных и машинного обучения.
В первой части книги читатель знакомится с основами обнаружения аномалий, включая определение выбросов, их типы и практическую значимость в различных областях — от финансового мошенничества и кибербезопасности до здравоохранения и астрономии. Рассматриваются простые статистические методы для одномерных данных, такие как z-score и межквартильный размах, а также подходы к работе с категориальными и многомерными данными.
Вторая часть посвящена практической реализации методов обнаружения аномалий с использованием популярных библиотек Python, таких как scikit-learn и PyOD. Автор демонстрирует, как применять алгоритмы машинного обучения для выявления выбросов, включая изолированный лес, локальный фактор выброса (LOF) и другие современные подходы.
Третья часть охватывает расширенные темы, включая оценку производительности детекторов, работу с различными типами данных, обработку больших и малых наборов данных, использование синтетических данных, обнаружение коллективных аномалий, объяснимый искусственный интеллект (XAI) для обнаружения выбросов, ансамбли детекторов и работу с предсказаниями.
Заключительная часть книги рассматривает методы обнаружения аномалий на основе глубокого обучения и специализированные подходы для работы с временными рядами, что делает издание актуальным для современных задач анализа данных.
