VIP20
本课程属于：022-数据质量平台 数据工程与实时数据平台 · 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

异常检测算法选型与落地

📚 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
什么是异常检测 · 金融风控、工业质检、网络安全场景 · 挑战与难点
基础场景
02
异常类型与数据特性
点异常、上下文异常、集合异常 · 数据不平衡与标签缺失
数据类型
03
统计方法基础
3σ原则 · 箱线图IQR · Z-Score与修正Z-Score · Grubbs检验
统计经典
04
线性模型
PCA主成分分析 · One-Class SVM · 基于重构误差的异常判定
线性SVM
05
基于距离的方法
KNN距离检测 · LOF局部异常因子 · COF、INFLO改进
距离密度
06
基于密度的方法
DBSCAN聚类与异常点 · 孤立森林原理与实现 · 优缺点
密度孤立森林
07
基于树的方法
孤立森林深入 · 扩展孤立森林EIF · SCiForest斜切面
树集成
08
基于角度的方法
ABOD基于角度 · FastABOD · LB-ABOD
角度高效
09
集成方法
特征装袋Feature Bagging · 孤立森林集成策略 · 调优
集成Bagging
10
时间序列异常检测（上）
STL分解 · 移动平均与指数平滑 · 基于残差检测
时序分解
11
时间序列异常检测（下）
Prophet模型 · Twitter AnomalyDetection · S-H-ESD
时序Prophet
12
深度学习基础回顾
自动编码器AE · 变分VAE · 生成对抗GAN基础
深度学习AE
13
基于自动编码器的异常检测
重构误差 · 去噪/稀疏/Stacked Autoencoder
AE重构
14
基于VAE的异常检测
重构概率 · 图像异常检测 · VAE与AE对比
VAE概率
15
基于GAN的异常检测
AnoGAN · EGBAD · GANomaly
GAN对抗
16
基于预测的时序异常检测
LSTM预测 · LSTM-Autoencoder · DeepAnt
LSTM预测
17
基于Transformer的异常检测
时间序列Transformer · Anomaly Transformer · TranAD
Transformer注意力
18
图异常检测基础
图数据表示 · GNN入门 · 节点异常与边异常
图GNN
19
基于GNN的异常检测
GCN · GraphSAGE · GAD框架
GCNGraphSAGE
20
半监督与自监督异常检测
Deep SAD · GOAD · CSI对比学习
半监督自监督
21
特征工程与预处理
标准化/归一化 · 类别编码 · 时间特征 · 降维PCA/t-SNE/UMAP
特征降维
22
评估指标与模型选择
混淆矩阵 · Precision/Recall/F1 · PR/ROC曲线 · @N指标
评估指标
23
阈值选择策略
百分位数 · ELBO曲线 · 最大F1 · 业务成本自定义
阈值调优
24
模型可解释性
SHAP · LIME局部解释 · 特征重要性 · 异常分数分布
可解释SHAP
25
大规模数据下的异常检测
Mini-batch · Spark/Flink流式 · 增量学习与模型更新
大规模流式
26
工业落地案例（上）
金融反欺诈 · 信用卡交易异常 · 特征工程与实时Pipeline
金融反欺诈
27
工业落地案例（下）
预测性维护 · 传感器异常 · 多模态融合 · 告警降噪与根因
工业预测维护
28
AIOps与日志异常检测
Drain日志解析 · LogBERT/LogAnomaly · 指标告警关联
AIOps日志
29
异常检测平台与工具
PyOD库 · ADTK时间序列 · Prometheus+Alertmanager
工具PyOD
30
课程总结与未来趋势
自监督学习前景 · 大模型LLM辅助 · 联邦学习隐私保护
趋势前沿