异常检测：孤立森林/One-Class SVM应用培训课程-曙海培训中心

异常检测：孤立森林/One-Class SVM应用培训课程

•  

• 培训对象： 风控算法工程师、运维监控工程师、金融安全从业者、工业质检算法工程师。

•  

• 培训目标：

  • 理解异常检测的基本概念和应用场景。

  • 掌握孤立森林、One-Class SVM等算法原理。

  • 能够应用多种方法进行无监督和监督异常检测。

  • 具备异常评分制定和效果评估能力。

•  

• 培训内容介绍：

•  

  一、 异常检测基础概念： 理解点异常、上下文异常和集体异常的区别，了解异常检测的常见应用场景（风控、运维、质检）。

  二、 统计学方法异常检测： 使用3σ原则、箱线图、四分位距进行基础异常检测，理解统计方法的局限性。

  三、 孤立森林（Isolation Forest）原理： 理解孤立森林通过随机切割隔离异常点的机制，掌握其线性时间复杂度优势。

  四、 孤立森林实战应用： 使用Scikit-learn的IsolationForest模型，调整污染率（contamination）和树的数量。

  五、 One-Class SVM原理： 理解SVM将数据映射到高维空间，学习边界将正常数据与原点分离的原理。

  六、 One-Class SVM实战应用： 使用OneClassSVM进行异常检测，调整核函数和nu参数适应数据分布。

  七、 基于聚类的异常检测： 使用DBSCAN识别稀疏区域样本，结合K-Means计算样本到簇心的距离检测异常。

  八、 基于重构的异常检测-自编码器： 构建自编码器，使用重构误差识别异常（误差大的样本视为异常）。

  九、 时间序列异常检测： 结合Prophet或STL分解，使用残差分析检测时序数据中的异常点。

  十、 特征工程与异常检测： 构建统计特征（均值、方差、偏度）帮助模型更好识别异常。

  十一、 异常评分与阈值选择： 将模型输出转化为异常评分，根据业务容忍度选择合适阈值。

  十二、 实战项目：业务风控异常检测系统： 针对金融交易、服务器监控或工业质检场景，开发完整的异常检测系统。