01
课程导论与项目全景
什么是异常交易？为什么需要无监督学习？课程目标与学习路径。
全景导论
02
环境搭建与工具链准备
Python环境配置、Jupyter Notebook、Pandas、Scikit-learn、PyOD库安装。
环境工具
03
数据探索与可视化基础
加载数据集、描述性统计、缺失值分析、单变量分布可视化。
EDA可视化
04
特征工程入门
时间特征提取、金额特征标准化、类别特征编码。
特征预处理
05
基于统计的异常检测（一）
Z-Score方法原理与实现，手动计算与阈值选择。
Z-Score统计
06
基于统计的异常检测（二）
箱线图（IQR）方法，处理偏态分布数据。
IQR箱线图
07
基于距离的异常检测
K近邻（KNN）异常检测，距离度量与异常分数。
KNN距离
08
基于密度的异常检测
局部异常因子（LOF）算法，理解局部密度概念。
LOF密度
09
基于聚类的异常检测
K-Means与DBSCAN在异常检测中的应用。
聚类DBSCAN
10
孤立森林（Isolation Forest）原理
随机切割与异常隔离，核心参数解读。
iForest原理
11
孤立森林实战
使用PyOD库实现，参数调优与结果可视化。
PyOD调优
12
一类支持向量机（One-Class SVM）
核函数与边界学习，适用场景分析。
OCSVM核方法
13
一类支持向量机实战
参数选择（nu, gamma），在交易数据上的表现。
参数实战
14
自编码器（Autoencoder）原理
神经网络压缩与重构，异常检测逻辑。
AE重构
15
自编码器实战（Keras/TensorFlow）
构建、训练与重构误差计算。
KerasTF
16
集成方法
特征装袋（Feature Bagging）与模型融合策略。
集成Bagging
17
模型评估指标（无监督版）
精确率、召回率、F1-score、AUC-ROC在无标签数据上的应用。
评估AUC
18
阈值选择策略
基于百分位数、肘部法则、业务成本函数确定阈值。
阈值业务
19
案例实战（一）信用卡交易欺诈检测
数据预处理与多模型对比。
信用卡对比
20
案例实战（二）信用卡交易欺诈检测
模型集成与结果解读。
集成解读
21
案例实战（三）银行内部转账异常检测
图结构特征引入。
图特征转账
22
案例实战（四）银行内部转账异常检测
时序特征与滑动窗口。
时序滑动窗口
23
案例实战（五）电商平台刷单检测
行为序列与频率特征。
刷单行为
24
案例实战（六）电商平台刷单检测
规则引擎与无监督模型结合。
规则混合
25
模型部署基础
使用Flask搭建简易API服务，接收交易数据并返回异常分数。
Flask部署
26
模型监控与漂移检测
数据分布漂移（PSI）、模型性能衰减监控。
监控PSI
27
可解释性分析（一）
SHAP值在异常检测中的应用，解释单个样本为何被判定为异常。
SHAP可解释
28
可解释性分析（二）
LIME与局部解释，生成异常原因报告。
LIME报告
29
大规模数据处理
使用Dask或Spark处理百万级交易数据，分布式异常检测。
DaskSpark
30
课程总结与进阶方向
知识体系回顾、常见面试题、论文推荐与学习资源。
总结进阶