این دوره به بررسی ناهنجاریها در انواع مختلف دادهها میپردازد و مفاهیم و تکنیکهای اساسی را برای شناسایی این ناهنجاریها ارائه میدهد. با استفاده از هوش مصنوعی Explainer، فرآیند شناسایی ناهنجاریها شفافتر و قابل فهمتر میشود.
ناهنجاری چیست؟
حوزههای کاربرد تشخیص ناهنجاری کدامند؟
سه نوع تکنیک تشخیص ناهنجاری چیست؟
چگونه دادههای مبتنی بر زمان را برای ناهنجاریها تجزیه و تحلیل کنیم؟
چگونه از یادگیری نظارتشده برای شناسایی ناهنجاریها استفاده کنیم؟
چگونه الگوریتمهای یادگیری بدون نظارت مانند DBSCAN و Isolation Forest را برای تشخیص ناهنجاریها به کار ببریم؟
چگونه تصاویر را تجزیه و تحلیل کرده و ناهنجاریها را در میان آنها شناسایی کنیم؟
ندارد.
تیر 1403: یک سخنرانی ویدیویی در مورد رویکرد ترکیبی (ترکیب الگوریتمهای خوشهبندی و غیر خوشهبندی برای شناسایی ناهنجاریها) اضافه شد.
بهمن 1401: یک سخنرانی ویدیویی در مورد "هوش مصنوعی قابل توضیح" اضافه شد. این یک حوزه نوظهور و جذاب برای درک عوامل نتایج است.
دی 1401: الگوریتمهای تشخیص ناهنجاری (رمزگذارهای خودکار، ماشینهای بولتزمن، شبکههای متخاصم) با استفاده از یادگیری عمیق اضافه شد.
آذر 1401: همه ما میخواهیم بدانیم در داخل یک کتابخانه چه میگذرد. ما الگوریتم جنگل ایزوله را با گرفتن چند نقطه داده و شناسایی نقطه ناهنجاری از طریق محاسبه دستی توضیح دادهایم. یک رویکرد منحصر به فرد برای توضیح یک الگوریتم!
تیر 1401: AutoML تکامل جدید در صنعت فناوری اطلاعات و یادگیری ماشینی است. AutoML در مورد استقرار ML بدون نوشتن هیچ کدی است. تشخیص ناهنجاری با استفاده از PowerBI اضافه شده است.
خرداد 1401: یک سخنرانی ویدیویی جدید در مورد متعادلسازی مجموعه دادههای نامتعادل اضافه شده است.
اردیبهشت 1401: یک سخنرانی ویدیویی جدید در مورد PyOD: مقایسه 10 الگوریتم اضافه شده است.
یک ناهنجاری، نقطه دادهای است که با سایر نقاط داده مطابقت ندارد یا همخوانی ندارد. تشخیص این نقطه ناهنجاری یا مجموعهای از نقاط ناهنجاری در یک حوزه فرآیند میتواند بسیار مفید باشد، زیرا میتواند به مسائل احتمالی که بر سازمان تأثیر میگذارد اشاره کند. در واقع، تشخیص ناهنجاری، گستردهترین حوزه پذیرفته شده در فضای هوش مصنوعی - یادگیری ماشینی در دنیای کسب و کار بوده است. به عنوان یک متخصص هوش مصنوعی، من همیشه از مشتریان خود میخواهم که با تشخیص ناهنجاری در سفر هوش مصنوعی خود شروع کنند، زیرا تشخیص ناهنجاری را میتوان حتی زمانی که در دسترس بودن دادهها محدود است، اعمال کرد.
تشخیص ناهنجاری میتواند در حوزههای زیر اعمال شود:
نگهداری پیشبینیکننده در صنعت تولید
تشخیص تقلب در صنایع مختلف
فعالیتهای نظارتی در صنایع مختلف
صنایع خدمات مشتریان و خرده فروشی
فروش
موارد زیر در این برنامه پوشش داده میشود:
سه نوع تشخیص ناهنجاری – مبتنی بر زمان، غیر مبتنی بر زمان و تصویر. از این میان، ناهنجاری تصویر یک مرز جدید برای هوش مصنوعی است. درست مانند تجزیه و تحلیل اعداد، اکنون میتوانیم تصاویر را تجزیه و تحلیل کرده و ناهنجاریها را شناسایی کنیم.
مفاهیم یادگیری ماشینی و یادگیری عمیق
الگوریتمهای نظارتشده و بدون نظارت (DBSCAN، Isolation Forest)
تشخیص ناهنجاری تصویر با استفاده از تکنیکهای یادگیری عمیق
سناریوهایی که میتوان تشخیص ناهنجاری را در آنها اعمال کرد
تشخیص ناهنجاری حوزهای است که میتواند در هر نوع کسب و کاری اعمال شود و از این رو، سازمانهایی که وارد سفر هوش مصنوعی میشوند معمولاً ابتدا به حوزه تشخیص ناهنجاری میپردازند. بنابراین، شما نیز به عنوان متخصص و دانشجو میتوانید این زمینه فوقالعاده را بررسی کنید!
Govind Kumar
کارشناس هوش مصنوعی و تحول تجاری خلاصه: بیش از 2 دهه تجربه در MNC ها و استارت آپ های برتر. ایفای نقش رهبری و مدیریت مشاغل در سراسر آسیا و اقیانوسیه و منطقه ژاپن تخصص: هوش مصنوعی ، شش سیگما و نوآوری تجربیات کلیدی: با موفقیت در مراکز تعالی برای جلوگیری از کلاهبرداری و تجزیه و تحلیل خدمات انکوبه شد. تجربه قابل توجهی در توسعه و مدیریت محصول مبتنی بر تفکر طراحی. نقشی اساسی در توسعه محصولات برای بازارهای نوظهور ایفا کرد. آموزش و گواهینامه: B. فنی و MBA تمام وقت از موسسات برتر هند گواهینامه ها در شش سیگما و مدیریت پروژه.
نمایش نظرات