Chọn một quốc gia sẽ hiển thị các khóa học có ở khu vực của bạn.
⏱ 2 giờ 48 phút📚 28 bài
Support Vector Machines cho Phát hiện Bất thường trong Python
Học cách phát hiện các giá trị ngoại lai, gian lận và xâm nhập hệ thống bằng cách sử dụng One-Class SVMs và các kỹ thuật học máy không giám sát hiện đại.
💬Giảng viên AI Hỏi về bất kỳ bài học nào và nhận câu trả lời rõ ràng ngay lập tức, mọi lúc.
🕐Bắt đầu bất cứ lúc nào Không lịch trình hay hạn chót — học theo nhịp của bạn, bất cứ khi nào.
🌐Bằng tiếng Việt Bài học, bài tập và chứng chỉ — tất cả hoàn toàn bằng ngôn ngữ của bạn.
Về khóa học này
Làm thế nào để bạn xác định các mối đe dọa bảo mật nghiêm trọng, lỗi hệ thống hoặc các giao dịch gian lận khi bạn không có các ví dụ được gắn nhãn về hành vi xấu? Support Vector Machines (SVMs) cung cấp một phương pháp mạnh mẽ và chặt chẽ về mặt toán học để cô lập các mẫu dữ liệu bình thường và gắn cờ các hoạt động bất thường. Khóa học dựa trên văn bản này hướng dẫn bạn từ những kiến thức cơ bản nhất về phát hiện bất thường đến việc triển khai các mô hình One-Class SVM mạnh mẽ. Bạn sẽ học cách chuẩn bị dữ liệu, cấu hình các ranh giới quyết định của SVM và đánh giá hiệu suất mô hình trên các tập dữ liệu mất cân bằng nghiêm trọng. Đến cuối khóa học này, bạn sẽ có thể tự tin xây dựng và triển khai các mô hình phát hiện bất thường để bảo mật hệ thống và làm sạch các đường ống dữ liệu. Những gì bạn sẽ học: - Hiểu các khái niệm cốt lõi của học không giám sát, các giá trị ngoại lai và phát hiện bất thường. - Nắm vững trực giác toán học đằng sau One-Class SVMs và cách chúng khác biệt với phân loại tiêu chuẩn. - Cấu hình các siêu tham số chính, bao gồm các hàm kernel, gamma và tỷ lệ nhiễm bẩn. - Chuẩn bị và tiền xử lý các tập dữ liệu thực tế bằng cách sử dụng các pipeline scikit-learn hiện đại. - Đánh giá hiệu suất phát hiện bất thường bằng cách sử dụng precision, recall và F1-score cho dữ liệu mất cân bằng. - Áp dụng phát hiện bất thường bằng SVM vào các trường hợp sử dụng thực tế như phát hiện gian lận và xâm nhập mạng. Bạn sẽ bắt đầu với các định nghĩa nền tảng và lý thuyết về ranh giới quyết định trước khi đi sâu vào các hướng dẫn bằng văn bản từng bước và triển khai mã. Sự tiến triển có cấu trúc này đảm bảo bạn hiểu cả lý do tại sao và cách thực hiện học máy không giám sát. Khóa học này được thiết kế cho các nhà phân tích dữ liệu mới bắt đầu, các kỹ sư học máy đầy tham vọng và các chuyên gia an ninh mạng muốn thêm phát hiện bất thường vào bộ công cụ của họ. Không yêu cầu kinh nghiệm trước đó với SVMs, mặc dù sự quen thuộc cơ bản với Python là hữu ích. Hãy bắt đầu đọc ngay hôm nay để nắm vững các nguyên tắc cơ bản của phát hiện bất thường với Support Vector Machines.
Nội dung khóa học
Bạn sẽ nhận được
📜Chứng chỉ hoàn thành Thêm vào hồ sơ LinkedIn
💬Gia sư AI cá nhân Bí ở một bài học? Hỏi gia sư tích hợp của bạn bất cứ điều gì, bất cứ lúc nào.
♾️Truy cập trọn đời Quay lại bất cứ lúc nào, không hết hạn
📱Điện thoại hoặc máy tính Hoạt động mọi nơi, mọi thiết bị
💸Hoàn tiền 14 ngày Không cần lý do
⚡Ngắn gọn, đi vào trọng tâm 2 giờ 48 phút nội dung thực hành
Chứng chỉ hoàn thành
Mỗi khóa bạn hoàn thành trên PickAClass cấp một chứng chỉ như thế này — nguyên bản, có mã riêng, xác minh được qua URL và chi tiết về điều thực sự được thể hiện.
P
PickAClass
Hồ sơ kỹ năng · xác minh được
Tài liệu
Chứng nhận Thành thạo
Chứng nhận rằng
Họ và Tên
đã chứng minh thành công sự thành thạo về
Support Vector Machines cho Phát hiện Bất thường trong Python
Kỹ năng đã thể hiện
✓
Phân tích mô hình hành vi
Nền tảng
1.2 giờ
✓
Khung kiến trúc quyết định
Thành thạo
1.4 giờ
✓
Thiết kế kiểm tra A/B
Thành thạo
1.7 giờ
✓
Viết quảng cáo hành vi
Nâng cao
1.9 giờ
P
PickAClass — Họ và Tên
Support Vector Machines cho Phát hiện Bất thường trong Python