Pengesanan Anomali melalui Ralat Pembinaan Semula
Tandakan pencilan yang tidak dapat dibina semula oleh model.
Pengesanan Anomali melalui Ralat Pembinaan Semula ialah pelajaran Deep Learning Academy percuma di CoddyKit. Ini ialah pelajaran 4 daripada 4. Anda boleh membaca keseluruhan pelajaran di bawah secara percuma — kemudian berlatih secara praktikal dalam pelayar menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Deep Learning Academy, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Deep Learning Academy merangkumi sejumlah 4 pelajaran.
Mengesan yang Berbeza
Pengekod automatik sangat baik untuk mencari anomali: titik data yang tidak sepadan dengan corak biasa. Ideanya bijak dan ternyata mudah.
Latih dengan Data Biasa Sahaja
Anda melatih pengekod automatik menggunakan data biasa sahaja. Ia menjadi pakar dalam membina semula jenis input yang telah dilihatnya berkali-kali.
Ralat Pembinaan Semula ialah Isyarat
Untuk setiap input, anda mengukur ralat pembinaan semula: sejauh mana hasil binaan semula berbeza daripada yang asal. Satu nombor ini menggerakkan keseluruhan kaedah.
error = ((x - model(x)) ** 2).mean()Data Biasa Dibina Semula dengan Bersih
Input biasa yang sudah dikenali dibina semula dengan ralat rendah. Model telah mempelajari strukturnya, jadi output hampir sepadan dengan input.
Anomali Dibina Semula dengan Teruk
Anomali tidak menyerupai data latihan, jadi model membinanya semula dengan buruk. Hal ini menghasilkan ralat pembinaan semula yang tinggi. 🚩
Pilih Ambang
Anda menetapkan ambang pada ralat. Apa-apa yang melebihinya ditandai sebagai anomali; apa-apa yang lebih rendah dikira biasa.
is_anomaly = error > thresholdMemilih Ambang
Helah yang biasa ialah melihat ralat pada set pengesahan yang bersih dan memilih persentil tinggi, seperti persentil ke-95, sebagai had anda.
threshold = np.percentile(val_errors, 95)Tiada Label Anomali Diperlukan
Anda tidak memerlukan anomali berlabel untuk latihan. Hal ini menjadikan pendekatan ini sesuai apabila contoh buruk jarang berlaku atau tidak diketahui terlebih dahulu.
Bahagian yang Menonjol
Ini menggerakkan pengesanan penipuan, pengesanan kecacatan kilang dan amaran pencerobohan rangkaian, iaitu di mana-mana keadaan biasa banyak berlaku dan masalah jarang berlaku.
Perhatikan Pertukaran
Ambang rendah mengesan lebih banyak anomali tetapi meningkatkan amaran palsu. Ambang tinggi lebih senyap tetapi mungkin terlepas masalah sebenar. Laraskannya mengikut kos anda.
Perhatikan Hanyutan
Jika tingkah laku biasa berubah dari semasa ke semasa, ralat lama boleh mengelirukan anda. Latih semula atau tentukan semula kalibrasi untuk menangani hanyutan ini dan memastikan amaran tepat.
Semakan Pantas
Bagaimanakah pengekod automatik menandai anomali?
Ringkasan
Latih dengan data biasa, ukur ralat pembinaan semula setiap input dan tandai apa-apa yang melebihi ambang anda. Tiada label anomali diperlukan. 🎉
Pelajari Python dengan tutor kecerdasan buatan — percuma
Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.
- Kursus
- 30
- Pelajaran
- 120
Soalan Lazim
Adakah pelajaran “Pengesanan Anomali melalui Ralat Pembinaan Semula” percuma?
Ya — teks penuh “Pengesanan Anomali melalui Ralat Pembinaan Semula” boleh dibaca secara percuma di web ini. Untuk berlatih secara interaktif menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7, serta membuka kunci baki kursus Deep Learning Academy, tingkat taraf kepada CoddyKit PRO. Kursus Deep Learning Academy merangkumi sejumlah 4 pelajaran.
Apakah yang akan saya pelajari dalam “Pengesanan Anomali melalui Ralat Pembinaan Semula”?
Tandakan pencilan yang tidak dapat dibina semula oleh model. Anda berlatih Deep Learning Academy menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.
Adakah saya memerlukan pengalaman untuk memulakan Deep Learning Academy?
Tiada pengalaman terdahulu diperlukan. Pembelajaran Deep Learning Academy di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 4 daripada 4.
Berapa lamakah pelajaran “Pengesanan Anomali melalui Ralat Pembinaan Semula” diambil?
Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.
Bolehkah saya menulis dan menjalankan kod dalam pelajaran Deep Learning Academy ini?
Ya. Setiap pelajaran Deep Learning Academy menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.
Semua pelajaran dalam kursus ini
- Pengekod, Leher Botol dan Penyahkod
- Autoenkoder Nyahhingar
- Autoenkoder Variasi dan Ruang Pendam
- Pengesanan Anomali melalui Ralat Pembinaan Semula