01
异常值概述
什么是异常值 · 来源与影响 · 检测重要性
概念入门
02
数据分布与统计基础
均值·中位数·标准差·四分位数·箱线图原理
统计箱线图
03
Z-Score方法
原理介绍 · 适用场景 · Python实现与阈值选择
Z-Score阈值
04
改进Z-Score：MAD与稳健Z-Score
中位数绝对偏差 · 稳健Z-Score · 实战对比
MAD稳健
05
IQR方法
四分位距法原理 · 上下限计算 · Python实现与可视化
IQR箱线图
06
箱线图实战
Matplotlib/Seaborn绘制 · 识别异常点 · 多组对比
可视化Seaborn
07
3σ原则（拉依达准则）
正态分布假设 · 适用条件与局限性
3σ正态
08
基于密度的异常检测：DBSCAN
算法原理 · 核心参数 · Python实现
DBSCAN密度
09
LOF算法
局部异常因子 · 密度对比 · 代码实现与参数调优
LOF密度
10
孤立森林
原理介绍 · 集成学习 · Python实现与特征选择
孤立森林集成
11
基于聚类的异常检测：K-Means
距离阈值法 · 优缺点分析
K-Means聚类
12
时间序列异常检测（基础）
滑动窗口 · 移动平均 · 指数平滑 · 季节性分解
时间序列滑动窗口
13
时间序列异常检测进阶
STL分解 · Prophet模型 · 异常点标记
STLProphet
14
基于回归的异常检测
线性回归残差 · 多项式回归 · 稳健回归
回归残差
15
高维数据异常检测：PCA
降维 · 重构误差 · 特征重要性分析
PCA高维
16
自动编码器
神经网络基础 · 自编码器原理 · 重构误差阈值
Autoencoder深度学习
17
异常值处理策略：删除·截尾·填充
删除法 · 截尾法 · 均值/中位数/众数填充
处理填充
18
异常值处理进阶：插值与多重插补
线性/样条插值 · 回归预测填充 · 多重插补
插值MICE
19
数据变换处理
对数变换 · Box-Cox · Yeo-Johnson变换
变换正态化
20
多变量异常检测：马氏距离
协方差矩阵 · 稳健估计
马氏距离多变量
21
基于距离的方法：KNN距离法
平均距离 · 最大距离阈值
KNN距离
22
基于角度的异常检测：ABOD
角度方差 · 高维适用性
ABOD角度
23
流数据异常检测
在线学习 · 概念漂移 · 自适应阈值
流数据在线
24
异常检测评估指标
精确率·召回率·F1·ROC曲线·AUC
评估ROC
25
阈值选择策略
Elbow方法 · Kneedle算法 · 业务规则结合
阈值Kneedle
26
缺失值与异常值联动处理
缺失模式分析 · 异常值导致缺失的处理
缺失值联动
27
环境数据实战案例1：空气质量
PM2.5 · CO2 异常检测
空气质量实战
28
环境数据实战案例2：水质监测
pH · 溶解氧 · 浊度异常检测
水质实战
29
环境数据实战案例3：气象数据
温度 · 湿度 · 风速异常检测
气象实战
30
综合项目实战：端到端Pipeline
构建异常检测Pipeline · 模型部署与监控
项目部署