VIP20
本课程属于：082-隐私增强共享审计日志巡检 密码学工程与数据安全 · 共 20 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录 咨询 / 购买

异常检测规则引擎与ML模型讲义

共计 30 章节
点击此处阅读海量试读课程：100+行业、1000+细分领域
01
异常检测概述
定义 · 应用场景（金融 · 工业
异常检测概述定义
02
数据预处理基础
缺失值填充 · 异常值清洗 · 标准化与归一化方法
数据预处理基础缺失值填充
03
规则引擎基础
什么是规则引擎 · 规则定义方式（阈值 · 逻辑表达式）
规则引擎基础什么是规则引擎
04
统计方法一
Z-score 与 3σ 原则 –… · 实现 · 适用条件
统计方法一Z-score
05
统计方法二
箱线图（IQR） – 四分位数 · 离群点判定 · 可视化
统计方法二IQR
06
动态阈值技术
滑动窗口 · 指数加权移动平均（EWMA） · 自适应阈值调整
动态阈值技术滑动窗口
07
时间序列规则
趋势检测 · 季节性分解（STL） · 异常点识别
时间序列规则趋势检测
08
规则引擎实现
条件表达式（if-else） · 决策表 · 规则触发与告警
规则引擎实现if-else
09
规则引擎优化
降低误报（滞后逻辑 · 确认周期） · 阈值自动调优
规则引擎优化降低误报
10
机器学习入门
分类与异常检测的区别 · 监督/半监督/无监督方法概览
机器学习入门分类
11
孤立森林（Isolation Forest）
原理（随机切割） · 实现 · 参数调优
IsolationForest
12
One-Class SVM
最大间隔超球 · 核函数选择 · 适用场景
One-ClassSVM
13
基于密度的方法
LOF（局部异常因子） · CBLOF（基于聚类的局部异常因子）
基于密度的方法LOF
14
基于聚类的方法
K-Means 离群点检测 · DBSCAN 异常识别
基于聚类的方法K-Means
15
自编码器（Autoencoder）异常检测
重构误差 · 训练策略 · 阈值设定
Autoencoder自编码器
16
变分自编码器（VAE）在异常检测中的应用
概率重构 · 异常评分
VAE变分自编码器
17
时间序列异常检测
LSTM-Autoencoder 架… · 滑动窗口输入 · 损失设计
时间序列异常检测LSTM-Autoenc…
18
高级时序模型
TCN · Transformer 在异常检测中…
高级时序模型TCN
19
集成学习方法
Bagging · Stacking 将多个检测器融合 · 提升稳定性
集成学习方法Bagging
20
特征工程
统计特征（均值 · 方差） · 差分特征
特征工程统计特征
21
半监督异常检测
少量标签 + 大量无标签数据 · PU Learning
半监督异常检测少量标签
22
在线/流式异常检测
数据流滑动窗口 · 模型增量更新 · 自适应阈值
流式异常检测数据流滑动窗口
23
规则引擎与ML结合一
规则前置过滤（减少计算量）+ ML…
ML规则引擎
24
规则引擎与ML结合二
两级模型（规则快速筛除 · 深度模型精判）
ML规则引擎
25
模型可解释性
SHAP 值 · LIME 解释异常原因 · 特征重要性可视化
模型可解释性SHAP
26
评估指标
精确率 · 召回率 · F1
评估指标精确率
27
阈值优化
基于验证集最大化 F1 · 贝叶斯优化阈值 · 业务成本权衡
阈值优化F1
28
模型部署
REST API · 批处理框架 · 实时流处理（Kafka + Flin…
模型部署REST
29
监控与持续学习
模型漂移检测 · 自动重训练机制 · 反馈回路
监控持续学习
30
案例分析一
金融交易欺诈检测（规则+ML流水线）…
案例分析一ML