Публикации по теме 'anomaly-detection'
Применение методов, основанных на данных, и физического обучения для повышения безопасности аккумуляторов
Этот пост представляет собой отраслевой обзор обзорной статьи Применение методов, основанных на данных, и обучения, основанного на физике, для повышения безопасности аккумуляторов Финегана, Чжу, Фэна, Кейзера, Ульмефорса, Ли, Базанта и Купера (2021 г.) .
Литий-ионные аккумуляторы — это нелинейные и недетерминированные системы.
Поведение литий-ионных аккумуляторов на протяжении всего срока их службы нелинейно: в элементе в любой момент времени происходит множество динамических..
Обнаружение аномалий временных рядов: выявление аномальных закономерностей и выбросов в данных временных рядов с использованием…
Это руководство призвано предоставить исчерпывающее руководство по обнаружению аномалий временных рядов с использованием методов машинного обучения. Мы рассмотрим различные методы выявления аномальных закономерностей и выбросов в данных временных рядов. К концу этого руководства вы будете иметь четкое представление о концепциях и практических знаниях, позволяющих применять методы обнаружения аномалий к вашим собственным наборам данных временных рядов.
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...
