En choisissant un pays, vous voyez les cours disponibles dans votre région.
⏱ 2 h 48 min📚 28 leçons
Machines à vecteurs de support pour la détection d'anomalies avec Python
Apprenez à détecter les valeurs aberrantes, la fraude et les intrusions système à l'aide des One-Class SVM et des techniques modernes d'apprentissage automatique non supervisé.
💬Instructeur IA Posez une question sur n'importe quelle leçon et obtenez une réponse claire à tout moment.
🕐Commencez quand vous voulez Sans horaires ni délais : apprenez à votre rythme, quand vous voulez.
🌐En français Leçons, exercices et certificat : tout entièrement dans votre langue.
À propos de ce cours
Comment identifier les menaces de sécurité critiques, les pannes système ou les transactions frauduleuses lorsque vous ne disposez pas d'exemples étiquetés de comportements anormaux ? Les machines à vecteurs de support (SVM) offrent une approche puissante et mathématiquement rigoureuse pour isoler les modèles de données normaux et signaler les activités inhabituelles. Ce cours textuel vous guide des bases absolues de la détection d'anomalies à la mise en œuvre de modèles One-Class SVM robustes. Vous apprendrez à préparer vos données, à configurer les frontières de décision SVM et à évaluer les performances des modèles sur des jeux de données fortement déséquilibrés. À la fin de ce cours, vous serez en mesure de créer et de déployer en toute confiance des modèles de détection d'anomalies pour sécuriser les systèmes et nettoyer les pipelines de données. Ce que vous apprendrez : - Comprendre les concepts fondamentaux de l'apprentissage non supervisé, des valeurs aberrantes et de la détection d'anomalies. - Maîtriser l'intuition mathématique derrière les One-Class SVM et leurs différences avec la classification standard. - Configurer les hyperparamètres clés, notamment les fonctions de noyau, le gamma et le taux de contamination. - Préparer et prétraiter des jeux de données réels à l'aide des pipelines modernes de scikit-learn. - Évaluer les performances de détection d'anomalies à l'aide de la précision, du rappel et du score F1 pour les données déséquilibrées. - Appliquer la détection d'anomalies par SVM à des cas d'utilisation pratiques tels que la détection de fraude et l'intrusion réseau. Vous commencerez par des définitions fondamentales et la théorie des frontières de décision avant de plonger dans des tutoriels écrits étape par étape et la mise en œuvre du code. Cette progression structurée garantit que vous comprenez à la fois le pourquoi et le comment de l'apprentissage automatique non supervisé. Ce cours est conçu pour les analystes de données débutants, les aspirants ingénieurs en apprentissage automatique et les professionnels de la cybersécurité cherchant à ajouter la détection d'anomalies à leur boîte à outils. Aucune expérience préalable avec les SVM n'est requise, bien qu'une familiarité de base avec Python soit utile. Commencez votre lecture dès aujourd'hui pour maîtriser les fondamentaux de la détection d'anomalies avec les machines à vecteurs de support.
Contenu du cours
Ce que vous recevez
📜Certificat de fin Ajoutez-le à votre profil LinkedIn
💬Tuteur AI personnel Bloqué sur une leçon ? Pose n'importe quelle question à ton tuteur intégré, à tout moment.
♾️Accès à vie Revenez quand vous voulez, sans expiration
📱Téléphone ou ordinateur Fonctionne partout, sur tout appareil
💸Remboursement 14 jours Sans poser de questions
⚡Court et ciblé 2 h 48 min de contenu pratique
Certificat de fin
Chaque cours terminé sur PickAClass délivre un diplôme comme celui-ci — original, avec son propre code, vérifiable par URL et détaillé sur ce qui a été réellement démontré.
P
PickAClass
Profil de compétences · vérifiable
Document
Certificat de Maîtrise
Ceci certifie que
Prénom Nom
a démontré avec succès la maîtrise de
Machines à vecteurs de support pour la détection d'anomalies avec Python
Compétences démontrées
✓
Analyse des modèles comportementaux
Fondamental
1.2 h
✓
Cadres d'architecture décisionnelle
Compétent
1.4 h
✓
Conception de tests A/B
Compétent
1.7 h
✓
Rédaction comportementale
Avancé
1.9 h
P
PickAClass — Prénom Nom
Machines à vecteurs de support pour la détection d'anomalies avec Python
Page 2 sur 2
Détail de performance
Résumé du parcours
Leçons terminées14 / 14
Questions d'entraînement26 / 28
Devoirs rendus4 (moy. 4,5 / 5)
Projet de finÉvalué — 4,6 / 5
Pratique totale6.2 h
Référence de performance
Rang de cohorteTop 12% sur 1,625
Temps jusqu'à l'achèvement11 jours (médiane : 22)
Score de maîtrise91 / 100
Score aux questions d'entraînement94%
Vérification de compétenceParcours de compétence vérifié