Aller au contenu principal

Détection d'anomalies – Outlier detection

Date de mise à jour :
Identifiant Offre Info : 03_231119620F
Organisme responsable : Data Value (ouvre dans un nouvel onglet)

Nouvelle recherche

Présentation de la formation

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…

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

Niveau de sortie

Sans niveau spécifique

Durée, rythme, financement

Modalités pédagogiques

Pédagogie active mêlant exposés, exercices et applications pratiques.
Chaque participant pourra mettre en œuvre les applications dans le logiciel de son choix parmi JMP ou R.

Durée

En centre

14 h

Financement

Conventionnement
Oui
Financeurs
  • Bénéficiaire de l'action

    Programme : Entreprise, Individuel (AIF, POEI, Région individuel, autofinancement)

    Publics : Data scientists ou statisticiens, chercheurs, ingénieurs, ...

  • Entreprise

    Programme : Entreprise, Individuel (AIF, POEI, Région individuel, autofinancement)

    Publics : Data scientists ou statisticiens, chercheurs, ingénieurs, ...

Conditions d'accès

Publics visés

  • Salarié
  • Tout public

Informations sur les publics

Data scientists ou statisticiens, chercheurs, ingénieurs, ...

Niveau d'entrée

Sans niveau spécifique

Conditions spécifiques et prérequis

Pour suivre ce stage dans de bonnes conditions, il est recommandé d'avoir suivi en amont les formations statistique descriptive (exploratoire) : savoir décrire des observations et statistique décisionnelle (inférentielle) : savoir décider au vu des observations ou d'avoir atteint par la pratique un niveau équivalent

Lieu de réalisation de l'action

Modalités d'enseignement

Formation entièrement en présentielle

Adresse

33 Rue de la République
69002 Lyon 2e

Responsable : ASI

Périodes prévisibles de déroulement des sessions

Début

Fin

Adresse d'inscription
41 rue de la Découverte
31676 Labège
État du recrutement
Ouvert
Modalités
Entrées / Sorties à dates fixes