🌿 空气异常检测 · 算法实现
📚 30章 完整目录
01
课程导论
空气质量数据的重要性 · 异常检测定义与价值 · 课程目标与学习路径
02
空气质量基础
主要污染物 PM2.5、PM10、O₃、NO₂、SO₂、CO 来源与危害
03
数据采集与预处理
数据来源（监测站、遥感）· 数据清洗 · 缺失值处理 · 标准化
04
探索性数据分析 (EDA)
描述性统计 · 可视化（箱线图、直方图、时间序列）· 相关性分析
05
异常检测基础
点异常 · 上下文异常 · 集合异常 · 挑战与定义
06
统计学方法 (一)
Z-Score · 3σ原则 · 实现与案例
07
统计学方法 (二)
箱线图 IQR 方法 · 实现与案例
08
统计学方法 (三)
移动平均法 · 指数平滑法 · 实现与案例
09
机器学习 (一)
孤立森林 (Isolation Forest) 原理与实现
10
机器学习 (二)
一类支持向量机 (One-Class SVM) 原理与实现
11
机器学习 (三)
局部异常因子 (LOF) 原理与实现
12
机器学习 (四)
基于聚类 DBSCAN 的异常检测
13
深度学习 (一)
自编码器 (Autoencoder) 原理与实现
14
深度学习 (二)
LSTM 时间序列异常检测
15
深度学习 (三)
变分自编码器 VAE · 生成对抗网络 GAN 简介
16
时间序列异常检测
季节性分解 STL · 残差分析 · 实现与案例
17
多变量异常检测
马氏距离 · 主成分分析 (PCA) 方法
18
实时异常检测
滑动窗口 · 流式处理 (Spark Streaming / Flink 简介)
19
特征工程
时间特征 · 滞后特征 · 滚动统计特征
20
模型评估
混淆矩阵 · 精确率/召回率 · F1 · ROC曲线与AUC
21
阈值选择
固定阈值 · 动态阈值 · 基于百分位数
22
案例实战 (一)
Python 异常检测系统 · 数据加载与预处理
23
案例实战 (二)
模型训练与评估
24
案例实战 (三)
结果可视化与报告
25
案例实战 (四)
实时检测模拟
26
模型部署
Flask API · Docker 容器化部署
27
大数据平台集成
Hadoop/Hive 存储 · Spark MLlib 异常检测
28
前沿技术
图神经网络 GNN · 联邦学习与隐私保护
29
项目总结与优化
问题排查 · 模型调优 · 业务落地建议
30
未来展望
空气质量预测与异常检测融合 · 智慧城市环境监测
🌱 每一口清新空气，都值得被守护