Détection d'anomalies - Outlier Detection
Date de mise à jour :
Identifiant Offre Info : 14_AF_0000095375
Organisme responsable :
Data Value
(ouvre dans un nouvel onglet)
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 Compétences visées - Différencier une anomalie des valeurs influentes et extrêmes - Comprendre l'intérêt de détecter les anomalies - Mettre en œuvre les différentes méthodes statistiques pour la détection selon le contexte des données : méthodes univariées, méthodes multivariées basées sur un modèle…
Compétences visées
- Différencier une anomalie des valeurs influentes et extrêmes
- Comprendre l'intérêt de détecter les anomalies
- Mettre en œuvre les 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
Programme de la formation
Programme - 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…
- 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
- Méthode de lissage
- 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
Type de formation
Non certifiante
Niveau de sortie
Sans niveau spécifique
Durée, rythme, financement
Durée
En centre
14 h
Financement
- Conventionnement
- Non
Conditions d'accès
Public visé
- Tout public
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.
Lieu de réalisation de l'action
Modalités d'enseignement
Formation entièrement en présentielle
Adresse
54 Rue du Faubourg Saint-Antoine75012 Paris 12e
Responsable : A&O Expertise
Périodes prévisibles de déroulement des sessions
Début
Fin
- Adresse d'inscription
-
Data Value
31670 Labège - État du recrutement
- Ouvert
- Modalités
- Entrées / Sorties à dates fixes