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

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

Program szkolenia

1. Wprowadzenie
   • Anomalie i obserwacje odstające
   • Przegląd zastosowań
     • Predykcyjne utrzymanie ruchu (predictive maintenance)
     • Wykrywanie nadużyć (fraud detection)
     • Cyberbezpieczeństwo
     • Przygotowanie danych
   • Podejścia do wykrywania anomalii
   • Krótko o wykorzystywanym oprogramowaniu
   • Wsparcie generatywnej sztucznej inteligencji (Generative AI) i GitHub Copilot
2. Wykresy i testy w wykrywaniu obserwacji odstających
   • Wykres ramka-wąsy (box & whiskers plot) i kryterium Tukeya
   • Test Grubbsa i n-sigma (Z-score)
   • Wykres rozrzutu i macierzowy
3. Biblioteka PyOD – wprowadzenie
4. Modele dla danych oznakowanych
   • Radzenie sobie z niezrównoważonymi licznościami klas
5. 5. Modele dla danych nieoznakowanych
   • LOF i ABOD
   • Isolation forest
   • Analiza skupień: metody K-średnich (ang. K-means), GMN i DBSCAN
   • Analiza składowych głównych i autokoder (autoencoder)
   • GAN (Generative Adversarial Networks)
6. Dlaczego coś jest anomalią czyli interpretacja wyników (Explainable AI)
   • LIME
   • SHAP
7. Anomalie w szeregach czasowych
   • Specyfika szeregów czasowych
   • Inżynieria cech (feature engineering) dla szeregów czasowych
   • Pakiet Darts i jego narzędzia wykrywania anomalii

Polecamy inne szkolenia:

• Uczenie maszynowe w Python – szybki start
• Prognozowanie metodami uczenia maszynowego w Python
• Sztuczna inteligencja (AI) w procesie budowy modeli uczenia maszynowego

Godziny zajęć: 8:15 – 15:30

W ramach szkolenia zapewniamy:

• obszerne materiały szkoleniowe
• świadectwo ukończenia szkolenia
• przerwy kawowe i obiad (dla szkoleń stacjonarnych)

Forma szkolenia:

• online lub stacjonarnie
• forma danej edycji podana przy terminie szkolenia

W przypadku szkoleń online:

• zajęcia prowadzone na żywo w MS Teams
• kontakt z prowadzącym w czasie rzeczywistym

Wymagania:

• umiejętność obsługi komputera w środowisku Windows / Linux / MacOs 
• podstawowa znajomość ekosystemu Data Science Python 
• znajomość podstaw statystyki praktycznej i uczenia maszynowego
• zdecydowanie zalecamy wcześniejszy udział w szkoleniu Uczenie maszynowe w Python – szybki start – jeśli masz wątpliwości, czy szkolenie jest odpowiednie dla Ciebie skontaktuj się z nami!

Wymagania sprzętowe i oprogramowanie:

• komputer z aktualnym systemem Windows 10 lub 11, Linux, Mac OS (spełniający wymogi Anaconda i VS Studio Code)
• 8 GB RAM
• procesor Intel Core i5 6 generacji lub szybszy
• Anaconda
• VS Code

Na kursie będziemy korzystać głównie z VS Code i Github Copilot. Potrzebne będzie konto w serwisie Github i wersja testowa lub pełna usługi Github Copilot. Pomagamy w instalacji i konfiguracji wymaganego oprogramowania.

Cena regularna: 3495 zł netto (+23% VAT)

Cena dla akademickich użytkowników Statistica (-15%)*: 2971 zł netto (+23% VAT)

*-15% dla akademickich użytkowników Statistica z aktywnym serwisem StatSoft Polska