VIP8
本课程属于：079-工业时序数据与异常检测 智能机器人、自动化与智能装备工程 · 共 8 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

Edge AI时序数据缺失值处理与异常检测

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
课程导入
学习目标 · 课程结构 · Edge AI与时序数据的基本概念
课程导入学习目标
02
时序数据基础
时间序列定义 · 采样率 · 趋势
时序数据基础时间序列定义
03
Edge AI概述
边缘计算与云计算的对比 · 边缘设备类型 · Edge AI的优势与限制
EdgeAI
04
时序数据采集与存储
传感器数据采集 · 数据格式 · 存储方案
时序数据采集存储
05
缺失值问题概述
缺失值产生原因 · 类型（随机缺失 · 非随机缺失）
缺失值问题概述缺失值产生原因
06
缺失值处理基础方法
删除法 · 均值/中位数/众数填充 · 前向/后向填充
缺失值处理基础方…删除法
07
高级缺失值插补方法
多重插补 · KNN插补 · 回归插补
高级缺失值插补方…多重插补
08
基于机器学习的缺失值处理
使用决策树 · 随机森林 · XGBoost等模型预测缺失值
基于机器学习的缺…使用决策树
09
基于深度学习的缺失值处理
RNN · LSTM · GRU
基于深度学习的缺…RNN
10
边缘端缺失值处理约束
计算资源 · 内存限制 · 实时性要求
边缘端缺失值处理…计算资源
11
时序异常检测概述
异常类型（点异常 · 上下文异常 · 集合异常）
时序异常检测概述异常类型
12
基于统计的异常检测
Z-score · IQR · 移动平均
基于统计的异常检…Z-score
13
基于距离和密度的异常检测
KNN · LOF · 孤立森林等经典方法
基于距离密度的异常检测
14
基于机器学习的异常检测
One-Class SVM · 隔离森林 · 局部离群因子
基于机器学习的异…One-Class
15
基于深度学习的异常检测
自编码器 · LSTM-Autoencoder · 变分自编码器
基于深度学习的异…自编码器
16
基于时序预测的异常检测
使用预测误差 · 残差分析 · 动态阈值
基于时序预测的异…使用预测误差
17
基于Transformer的异常检测
时间序列Transformer · Anomaly Transforme…
Transformer基于
18
边缘端异常检测模型压缩
剪枝 · 量化 · 知识蒸馏
边缘端异常检测模…剪枝
19
边缘端实时推理框架
TensorFlow Lite · ONNX Runtime · OpenVINO
边缘端实时推理框…TensorFlow
20
数据预处理与特征工程
缺失值处理与异常检测前的数据清洗 · 归一化 · 特征提取
数据预处理特征工程
21
端到端流程设计
从数据采集 · 缺失值处理 · 异常检测到告警的完整pipeline
端到端流程设计从数据采集
22
案例实战
工业设备传感器数据缺失值处理与异常检… · 温度）
案例实战工业设备传感器数…
23
案例实战
智能家居能耗时序数据缺失值处理与异常…
案例实战智能家居能耗时序…
24
案例实战
可穿戴设备健康监测时序数据缺失值处理…
案例实战可穿戴设备健康监…
25
案例实战
车联网/自动驾驶传感器时序数据缺失值…
案例实战车联网
26
模型评估与调优
缺失值插补效果评估（MAE · RMSE） · 异常检测评估（精确率
模型评估调优
27
常见问题与解决方案
数据分布漂移 · 概念漂移 · 边缘设备异构性
常见问题解决方案
28
安全与隐私
边缘端数据隐私保护 · 联邦学习在时序数据中的应用
安全隐私
29
综合项目
设计一个完整的Edge AI时序数据… · 从需求分析到部署
综合项目Edge
30
课程总结与进阶方向
知识回顾 · 前沿趋势（如边缘Transforme… · 神经符号方法）
课程总结进阶方向