Публикации по теме 'anomaly-detection'
SVM одного класса для обнаружения аномалий
Используйте неконтролируемую машину опорных векторов одного класса для обнаружения выбросов
Одноклассовая машина опорных векторов (SVM) — это неконтролируемая модель для обнаружения аномалий или выбросов. В отличие от обычного SVM с учителем, SVM с одним классом не имеет целевых меток для процесса обучения модели. Вместо этого он изучает границу для нормальных точек данных и идентифицирует данные за границей как аномалии.
Выявление аномалий в производственных данных с помощью графовых нейронных сетей
В этом посте мы обсудим, как можно использовать графовые нейронные сети (GNN) для прогнозирования аномалий в производственных условиях, где данные имеют сложный, разнородный и последовательный характер. Мы рассмотрим, как GNN могут эффективно обрабатывать неполные входные данные, и предоставим комплексное решение для прогнозирования аномалий и их причин в таких условиях.
Введение
В современном промышленном производстве существует множество этапов и взаимодействующих элементов. Если..
Методы обнаружения аномалий в Python
Недавно я узнал о нескольких методах обнаружения аномалий в Python. Эти методы идентифицируют аномалии (выбросы) более математическим способом, чем просто построение диаграммы рассеяния или гистограммы и их визуального наблюдения. Если точка является выбросом по отношению к своим значениям по 30 характеристикам (многомерный выброс), вы не можете идентифицировать ее с помощью описанных выше методов, и именно здесь они пригодятся.
Формат сообщения в блоге (большинство техник имеют..
Структура библиотеки прогнозирования временных рядов: часть II (поддерживаемые модели и обучение модели)
Авторы: Шрути Джадон, Аджит Патанкар, Аман Гаурав, Дивьянк Гарг, Мэн Сун
Введение:
Данные временных рядов носят последовательный характер, и для их анализа используются такие данные. Нам нужны модели машинного обучения, которые могут изучать функции последовательности и могут включать концепции прошлого и будущего. Следовательно, общие модели, такие как линейная регрессия, регрессия опорных векторов или простые многослойные нейронные сети с высокой плотностью, не будут работать с..
Структура библиотеки прогнозирования временных рядов: часть III (оценка модели и прогнозирование модели)
Авторы: Шрути Джадон, Аджит Патанкар, Аман Гаурав, Дивьянк Гарг, Мэн Сун
Введение:
После того, как модели обучены и оптимальные веса сохранены, следующим важным этапом моделирования машинного обучения является оценка. Оценка модели очень ориентирована на предметную область; в зависимости от цели показатель оценки также динамически меняется. Для поддержки широкого диапазона целей мы включили широко используемые метрики на основе регрессии, такие как R², AIC, BIC, MSE, RMSE и т. д...
Структурная токенизация с использованием простой эвристики
Для выпуска Unomaly 2.28 мы полностью переработали наш токенизатор, чтобы улавливать вложенные структуры и пары ключ-значение в неструктурированных данных журнала, которые мы принимаем - без какой-либо спецификации схемы. Чтобы было понятнее, мы немного рассмотрим, как работает Unomaly , а затем углубимся в технические детали нового структурного токенизатора.
TL;DR
Unomaly автоматически группирует журналы событий и классифицирует их как нормальные или аномальные в соответствии с..
За пределами панели управления
Иногда меня спрашивали: «Как только моя ветряная электростанция заработает нормально, как я могу продолжать использовать Clir?»
Подчеркну, что программное обеспечение Clir включает наборы данных, основанные на передовых отраслевых знаниях, автоматическую ежемесячную отчетность, анализ работы ветряных электростанций, проверки состояния активов и многое другое, что является вескими причинами для продолжения использования Clir. Но в частности, это сообщение в блоге будет посвящено..
