Wykrywanie anomalii w procesach z wykorzystaniem uczenia maszyn (machine learning)

Wykrywanie anomalii w danych opisujących procesy ma wiele praktycznych zastosowań: anomalia może sygnalizować zaistniałą lub zbliżającą się awarię urządzeń, zmianę w przebiegu procesu, problem z systemem pomiarowym, atak cybernetyczny, próbę nadużycia. Na szkoleniu zajmiemy się metodami uczenia maszynowego w środowisku Python, umożliwiającymi wykrywanie anomalii, zarówno wtedy gdy dysponujemy danymi oznakowanymi jako anomalia, jak i wtedy gdy mamy wyłącznie dane o przebiegu „dobrych” procesów.

Dla kogo?

• Inżynierów, pragnących stosować obsługę predykcyjną (ang. predictive maintenance) w utrzymaniu ruchu
• Badaczy pragnących poznać ogólne metody wykrywania anomalii w środowisku Python

Co zyskasz?

• Umiejętność modelowania na potrzeby obsługi predykcyjnej (ang. predictive maintenance)
• Poznasz tradycyjne i nowe podejścia do wykrywania anomalii
• Nauczysz się stosować je w środowisku Python

Program szkolenia

1. Wprowadzenie
   • Anomalie i obserwacje odstające
   • Predykcyjne utrzymanie ruchu (predictive maintenance)
2. Wykresy w wykrywaniu obserwacji odstających
3. Modele dla danych oznakowanych
   • Maszyna wektorów nośnych (Support Vector Machine)
   • Drzewa wzmacniane i XGBoost
4. Modele dla danych nieznakowanych
   • Jednoklasowy SVM
   • Isolation forest
   • Analiza skupień: metody K-średnich (ang. K-means) i DBSCAN
5. Analiza składowych głównych i autokoder (autoencoder)