Détection d'anomalies – Outlier detection

Objectifs

Approfondir la connaissance de la détection d'anomalies dans un contexte de données numériques et/ou fonctionnelles à l'aide de méthodes principalement non-supervisées

Programme de la formation

Introduction

• Qu'est-ce qu'une anomalie ? une valeur influente ? une valeur extrême ?


• Les différentes motivations à la détection d'anomalies


• La notion de robustesse

Les méthodes univariées

• La règle du k-sigma et test de Grubbs


• Règles du boxplot


• Tests en fonction de la distribution

Les méthodes multivariées - généralités

• Les grandes approches dans la détection d'anomalies


• Évaluation des méthodes
  
  
  
  • Caractéristiques souhaitées
  
  
  • Métriques
  
  
  • Contributeurs ou signature des défauts
  
  
  
  

Les méthodes multivariées basées sur un modèle probabiliste

• T2 de Hotelling, la distance de Mahalanobis et sa version robuste


• Notion de profondeur et notion d'angles

Les méthodes multivariées basées sur la détermination d'un sous-espace

• L'ACP et sa version robuste


• Les réseaux de neurones

Les méthodes multivariées basées sur la notion de proximité

• La classification non supervisée


• Le LOF basé sur la densité

Les méthodes pour des données fonctionnelles

• Introduction au contexte de données fonctionnelles


• L'analyse de données fonctionnelles
  
  
  
  • Méthode de lissage
    
    
    
    • Spline cubique
    
    
    • Polynômes locaux
    
    
    
    
  
  
  • Réduction de dimension
    
    
    
    • Grandeurs statistiques (moyenne…)
    
    
    • Décomposition en coefficients d'ondelettes
    
    
    
    
  
  
  
  


• Méthodes de détection d'anomalies dans un contexte univarié


• Méthodes de détection d'anomalies dans un contexte multivarié

Les méthodes pour des données en HDLSS (grande dimension, faible taille d'échantillonnage)

• Présentation des challenges induits par ce contexte


• Les principales méthodes

Validation et sanction

- Différencier une anomalie des valeurs influentes et extrêmes

- Comprendre l'intérêt de détecter les anomalies

- Mettre en œuvre différentes méthodes statistiques pour la détection selon le contexte des données : méthodes univariées, méthodes multivariées basées sur un modèle probabiliste, sur la détermination d'un sous-espace ou sur la notion de proximité, méthodes pour des données fonctionnelles, méthodes pour des données en HDLSS

Type de formation

Non certifiante

Sortie

Sans niveau spécifique