Description du livre
Utilisez ce guide du débutant facile à suivre pour comprendre comment l'apprentissage en profondeur peut être appliqué à la tâche de détection des anomalies. En utilisant Keras et PyTorch en Python, le livre se concentre sur la façon dont divers modèles d'apprentissage profond peuvent être appliqués aux tâches de détection d'anomalies semi-supervisées et non supervisées.
Ce livre commence par une explication de ce qu'est la détection d'anomalies, à quoi elle sert et son importance. Après avoir couvert les méthodes statistiques et traditionnelles d'apprentissage machine pour la détection d'anomalies à l'aide de Scikit-Learn en Python, le livre propose une introduction à l'apprentissage profond avec des détails sur la façon de construire et de former un modèle d'apprentissage profond dans Keras et PyTorch avant de se concentrer sur les applications des modèles suivants à apprentissage profond à la détection des anomalies : divers types de codeurs automatiques, machines Boltzmann limitées, RNNs et LSTMs et réseaux convolutionnels temporels. Le livre explore la détection d'anomalies non supervisée et semi-supervisée ainsi que les bases de la détection d'anomalies basée sur des séries chronologiques.
À la fin du livre, vous aurez une compréhension approfondie de la tâche de base de la détection des anomalies ainsi qu'un assortiment de méthodes pour aborder la détection des anomalies, allant des méthodes traditionnelles à l'apprentissage approfondi. De plus, vous êtes initié à Scikit-Learn et êtes capable de créer des modèles d'apprentissage en profondeur dans Keras et PyTorch.
Ce que vous apprendrez
Comprendre ce qu'est la détection d'anomalies et pourquoi elle est importante dans le monde d'aujourd'hui.
Familiarisez-vous avec les approches statistiques et traditionnelles d'apprentissage machine pour la détection d'anomalies à l'aide de Scikit-Learn.
Connaître les bases de l'apprentissage profond en Python en utilisant Keras et PyTorch
Connaître les concepts de base de la science des données pour mesurer la performance d'un modèle : comprendre ce qu'est l'ASC, ce que signifie la précision et le rappel, et plus encore.
Appliquer l'apprentissage approfondi à la détection d'anomalies semi-supervisée et non supervisée.
A qui s'adresse ce livre ?
Les scientifiques des données et les ingénieurs en apprentissage machine intéressés à apprendre les bases des applications d'apprentissage approfondi en détection d'anomalies.