Python深度學(xué)習(xí)異常檢測(cè)：使用Keras和PyTorch

第1章 異常檢測(cè)
1．1 什么是異常？
1．1．1 異常的天鵝
1．1．2 數(shù)據(jù)點(diǎn)形式的異常
1．1．3 時(shí)間序列中的異常
1．1．4 出租車
1．2 異常的類別
1．2．1 基于數(shù)據(jù)點(diǎn)的異常
1．2．2 基于上下文的異常
1．2．3 基于模式的異常
1．3 異常檢測(cè)
1．3．1 離群值檢測(cè)
1．3．2 噪點(diǎn)消除
1．3．3 奇異值檢測(cè)
1．4 異常檢測(cè)的三種樣式
1．5 異常檢測(cè)用在什么地方？
1．5．1 數(shù)據(jù)泄露
1．5．2 身份盜用
1．5．3 制造業(yè)
1．5．4 網(wǎng)絡(luò)服務(wù)
1．5．5 醫(yī)療領(lǐng)域
1．5．6 視頻監(jiān)控
1．6 本章小結(jié)
第2章 傳統(tǒng)的異常檢測(cè)方法
2．1 數(shù)據(jù)科學(xué)知識(shí)回顧
2．2 孤立森林
2．2．1 變種魚
2．2．2 使用孤立森林進(jìn)行異常檢測(cè)
2．3 一類支持向量機(jī)
2．4 本章小結(jié)
第3章 深度學(xué)習(xí)簡介
3．1 什么是深度學(xué)習(xí)？
3．2 Keras簡介：一種簡單的分類器模型
3．3 PyTorch簡介：一種簡單的分類器模型
3．4 本章小結(jié)
第4章 自動(dòng)編碼器
4．1 什么是自動(dòng)編碼器？
4．2 簡單自動(dòng)編碼器
4．3 稀疏自動(dòng)編碼器
4．4 深度自動(dòng)編碼器
4．5 卷積自動(dòng)編碼器
4．6 降噪自動(dòng)編碼器
4．7 變分自動(dòng)編碼器
4．8 本章小結(jié)
第5章 玻爾茲曼機(jī)
5．1 什么是玻爾茲曼機(jī)？
5．2 受限玻爾茲曼機(jī)（RBM）
5．2．1 使用RBM進(jìn)行異常檢測(cè)——信用卡數(shù)據(jù)集
5．2．2 使用RBM進(jìn)行異常檢測(cè)——KDDCUP數(shù)據(jù)集
5．3 本章小結(jié)
第6章 長短期記憶網(wǎng)絡(luò)模型
6．1 序列和時(shí)間序列分析
6．2 什么是RNN？
6．3 什么是LSTM？
6．4 使用LSTM進(jìn)行異常檢測(cè)
6．5 時(shí)間序列的示例
6．5．1 art_daily_no_noise
6．5．2 art_daily_nojump
6．5．3 art_daily_jumpsdown
6．5．4 art_daily_perfect_square_wave
6．5．5 art_load_balancer_spikes
6．5．6 ambient_temperature_system_failure
6．5．7 ec2_cpu_utilization
6．5．8 rds_cpu_utilization
6．6 本章小結(jié)
第7章 時(shí)域卷積網(wǎng)絡(luò)
7．1 什么是時(shí)域卷積網(wǎng)絡(luò)？
7．2 膨脹時(shí)域卷積網(wǎng)絡(luò)
7．3 編碼器一解碼器時(shí)域卷積網(wǎng)絡(luò)
7．4 本章小結(jié)
第8章 異常檢測(cè)實(shí)際應(yīng)用案例
8．1 什么是異常檢測(cè)？
8．2 異常檢測(cè)的實(shí)際應(yīng)用案例
8．2．1 電信
8．2．2 銀行服務(wù)
8．2．3 環(huán)境
8．2．4 醫(yī)療保健
8．2．5 交通運(yùn)輸
8．2．6 社交媒體
8．2．7 金融和保險(xiǎn)
8．2．8 網(wǎng)絡(luò)安全
8．2．9 視頻監(jiān)控
8．2．10 制造業(yè)
8．2．11 智能住宅
8．2．12 零售業(yè)
8．3 實(shí)現(xiàn)基于深度學(xué)習(xí)的異常檢測(cè)
8．4 本章小結(jié)
附錄A Keras簡介
附錄B PyTorch簡介