📘 Reality AI
异常检测模型构建实战
🧩 30章 · 从入门到工业部署
01
异常检测概述
什么是异常检测 · 金融风控/工业质检/网络安全 · 学习路径
02
数据准备与探索
数据采集·清洗·缺失值·异常探索·可视化基础
03
特征工程基础
特征提取/选择 · 标准化 · 归一化 · PCA降维
04
统计学方法 (一)
3-Sigma · Z-Score · 箱线图IQR
05
统计学方法 (二)
Grubbs检验 · Dixon检验 · 假设检验应用
06
距离与密度方法 (一)
KNN距离异常 · LOF算法原理
07
距离与密度方法 (二)
LOF实战 · 参数调优 · COF / INFLO
08
线性模型方法
PCA重构误差 · One-Class SVM原理与实战
09
集成方法 (一)
Isolation Forest 原理 · 参数详解
10
集成方法 (二)
Isolation Forest实战 · 特征重要性 · 对比LOF
11
集成方法 (三)
Feature Bagging · LightGBM异常检测模式
12
基于聚类的方法
K-Means异常 · DBSCAN噪声 · 聚类评估
13
时间序列异常检测 (一)
时间序列基础 · 滑动窗口 · 趋势/季节分解
14
时间序列异常检测 (二)
STL分解 · 移动平均 · 指数平滑
15
时间序列异常检测 (三)
ARIMA · Prophet模型在异常检测中的应用
16
深度学习基础 (一)
神经网络入门 · 激活/损失函数 · 优化器
17
深度学习基础 (二)
PyTorch/TensorFlow环境 · 张量 · 自动求导
18
自编码器 (Autoencoder)
原理 · 欠完备/稀疏自编码器
19
自编码器实战
构建AE模型 · 重构误差阈值 · 异常检测实现
20
变分自编码器 (VAE)
VAE原理 · 与AE区别 · 异常检测应用
21
生成对抗网络 (GAN)
GAN原理 · AnoGAN · EGBAD异常检测
22
时序深度学习模型
LSTM原理 · LSTM-Autoencoder · Time Series Transformer
23
模型评估与调优
混淆矩阵 · P/R/F1 · ROC-AUC · PR-AUC · 交叉验证
24
阈值选择策略
固定/动态阈值 · 百分位数 · 极值理论EVD
25
多模态与高维数据异常检测
多模态融合 · 高维稀疏 · 子空间方法
26
实时异常检测系统设计
流式数据 · Kafka/Flink集成 · ONNX/TensorRT部署
27
工业案例实战 (一)
金融交易欺诈检测 · 数据/特征/模型/部署
28
工业案例实战 (二)
工业设备预测性维护 · 振动数据 · 频谱分析
29
工业案例实战 (三)
网络安全入侵检测 · 流量特征 · 模型对比
30
课程总结与进阶方向
知识体系回顾 · 图神经网络/联邦学习 · 学习资源