Beginning Anomaly Detection Using Python-Based Deep Learning: With Keras and PyTorch

ویرایش: 1st ed. 
نویسندگان: Sridhar Alla. Suman Kalyan Adari  
سری:  
ISBN (شابک) : 9781484251768, 9781484251775 
ناشر: Apress 
سال نشر: 2019 
تعداد صفحات: 427 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 27 مگابایت 

قیمت کتاب (تومان) : 53,000



از این راهنمای مبتدی که به راحتی قابل پیگیری است استفاده کنید تا بفهمید که چگونه یادگیری عمیق را می توان برای تشخیص ناهنجاری اعمال کرد. با استفاده از Keras و PyTorch در پایتون، این کتاب بر چگونگی استفاده از مدل‌های مختلف یادگیری عمیق برای کارهای تشخیص ناهنجاری نیمه‌نظارت‌نشده و بدون نظارت تمرکز دارد.
این کتاب با توضیحی درباره اینکه تشخیص ناهنجاری چیست، برای چه مواردی استفاده می‌شود، شروع می‌شود. و اهمیت آن پس از پوشش روش‌های آماری و سنتی یادگیری ماشین برای تشخیص ناهنجاری با استفاده از Scikit-Learn در پایتون، این کتاب سپس مقدمه‌ای بر یادگیری عمیق با جزئیات در مورد نحوه ساخت و آموزش یک مدل یادگیری عمیق در Keras و PyTorch قبل از تغییر تمرکز بر روی برنامه‌ها ارائه می‌کند. از مدل‌های یادگیری عمیق زیر برای تشخیص ناهنجاری: انواع مختلف رمزگذار خودکار، ماشین‌های محدود بولتزمن، RNN

Utilize this easy-to-follow beginner's guide to understand how deep learning can be applied to the task of anomaly detection. Using Keras and PyTorch in Python, the book focuses on how various deep learning models can be applied to semi-supervised and unsupervised anomaly detection tasks.
This book begins with an explanation of what anomaly detection is, what it is used for, and its importance. After covering statistical and traditional machine learning methods for anomaly detection using Scikit-Learn in Python, the book then provides an introduction to deep learning with details on how to build and train a deep learning model in both Keras and PyTorch before shifting the focus to applications of the following deep learning models to anomaly detection: various types of Autoencoders, Restricted Boltzmann Machines, RNNs & LSTMs, and Temporal Convolutional Networks. The book explores unsupervised and semi-supervised anomaly detection along with the basics of time series-based anomaly detection.
By the end of the book you will have a thorough understanding of the basic task of anomaly detection as well as an assortment of methods to approach anomaly detection, ranging from traditional methods to deep learning. Additionally, you are introduced to Scikit-Learn and are able to create deep learning models in Keras and PyTorch.

What You Will Learn

• Understand what anomaly detection is and why it is important in today's world
  
• Become familiar with statistical and traditional machine learning approaches to anomaly detection using Scikit-Learn
  
• Know the basics of deep learning in Python using Keras and PyTorch
  
• Be aware of basic data science concepts for measuring a model's performance: understand what AUC is, what precision and recall mean, and more
  
• Apply deep learning to semi-supervised and unsupervised anomaly detection
  

Who This Book Is For
Data scientists and machine learning engineers interested in learning the basics of deep learning applications in anomaly detection

Front Matter ....Pages i-xvi
 What Is Anomaly Detection?  (Sridhar Alla, Suman Kalyan Adari)....Pages 1-23
 Traditional Methods of Anomaly Detection  (Sridhar Alla, Suman Kalyan Adari)....Pages 25-71
 Introduction to Deep Learning  (Sridhar Alla, Suman Kalyan Adari)....Pages 73-122
 Autoencoders  (Sridhar Alla, Suman Kalyan Adari)....Pages 123-178
 Boltzmann Machines  (Sridhar Alla, Suman Kalyan Adari)....Pages 179-212
 Long Short-Term Memory Models  (Sridhar Alla, Suman Kalyan Adari)....Pages 213-256
 Temporal Convolutional Networks  (Sridhar Alla, Suman Kalyan Adari)....Pages 257-295
 Practical Use Cases of Anomaly Detection  (Sridhar Alla, Suman Kalyan Adari)....Pages 297-318
Back Matter ....Pages 319-416