PL
EN
Wykrywanie anomalii znajduje zastosowanie w wielu obszarach: może sygnalizować awarię urządzeń, zmianę stanu procesu, problemy z systemem pomiarowym, cyberatak lub próbę nadużycia. Na szkoleniu uczestnicy poznają nowoczesne metody wykrywania anomalii z wykorzystaniem uczenia maszynowego. Omówimy klasyczne podejścia statystyczne, algorytmy uczenia maszynowego (np. LOF, Isolation Forest, K-średnich, DBSCAN), nowoczesne techniki głębokiego uczenia (deep learning), a także narzędzia wyjaśniające działanie modeli (XAI). W ostatniej części kursu zajmiemy się detekcją anomalii w szeregach czasowych z użyciem biblioteki Darts. Pracować będziemy w języku Python z wykorzystaniem bibliotek takich jak scikit-learn, PyOD, Darts, pandas, matplotlib, TensorFlow/Keras. W procesie uczenia pomoże nam sztuczna inteligencja: GitHub Copilot
Dla kogo?
- Specjalistów z obszaru przemysłu i produkcji, którzy analizują dane procesowe, monitorują stan maszyn lub zajmują się kontrolą jakości,
- Specjalistów ds. finansów, audytów, ryzyka, którzy chcą wykrywać nieprawidłowości w danych transakcyjnych
- Analityków danych i data scientistów, którzy chcą rozszerzyć swój warsztat o metody detekcji anomalii w różnych typach danych (w tym szeregach czasowych),
- Badaczy i pracowników naukowych, którzy analizują dane eksperymentalne lub obserwacyjne i chcą identyfikować nietypowe przypadki,
- Osób zajmujących się bezpieczeństwem IT i detekcją nadużyć, które chcą poznać narzędzia i techniki wykrywania nietypowych zdarzeń,
- Inżynierów, specjalistów ds. R&D i automatyków, którzy pracują nad wdrażaniem rozwiązań predictive maintenance lub analityki procesów.
Co zyskasz?
- Poznasz szeroki wachlarz metod wykrywania anomalii – od klasycznych testów statystycznych, przez metody nadzorowane i nienadzorowane, po nowoczesne techniki oparte na sieciach neuronowych
- Nauczysz się dobierać odpowiednie podejście do problemu – w zależności od dostępności oznakowanych danych, charakteru zmiennych i rodzaju danych (np. szeregi czasowe)
- Zdobędziesz praktyczne umiejętności korzystania z narzędzi uczenia maszynowego środowiska Python
- Umiejętność interpretacji modeli – dzięki technikom Explainable AI (XAI) nauczysz się nie tylko wykrywać anomalie, ale także tłumaczyć, dlaczego dane obserwacje zostały uznane za nietypowe.
- Komplet materiałów szkoleniowych i przykładów kodu – umożliwiających dalszy rozwój i wdrożenia po zakończeniu szkolenia.
