Python深度学习异常检测 使用Keras和PyTorch

第1章 异常检测 1

1.1 什么是异常？ 1

1.1.1 异常的天鹅 1

1.1.2 数据点形式的异常 3

1.1.3 时间序列中的异常 5

1.1.4 出租车 7

1.2 异常的类别 10

1.2.1 基于数据点的异常 10

1.2.2 基于上下文的异常 11

1.2.3 基于模式的异常 11

1.3 异常检测 12

1.3.1 离群值检测 12

1.3.2 噪点消除 12

1.3.3 奇异值检测 13

1.4 异常检测的三种样式 13

1.5 异常检测用在什么地方？ 14

1.5.1 数据泄露 14

1.5.2 身份盗用 14

1.5.3 制造业 15

1.5.4 网络服务 15

1.5.5 医疗领域 16

1.5.6 视频监控 16

1.6 本章小结 16

第2章 传统的异常检测方法 19

2.1 数据科学知识回顾 19

2.2 孤立森林 24

2.2.1 变种鱼 24

2.2.2 使用孤立森林进行异常检测 26

2.3 一类支持向量机 37

2.4 本章小结 49

第3章 深度学习简介 51

3.1 什么是深度学习？ 51

3.2 Keras简介：一种简单的分类器模型 58

3.3 PyTorch简介：一种简单的分类器模型 77

3.4 本章小结 84

第4章 自动编码器 87

4.1 什么是自动编码器？ 87

4.2 简单自动编码器 89

4.3 稀疏自动编码器 101

4.4 深度自动编码器 102

4.5 卷积自动编码器 103

4.6 降噪自动编码器 110

4.7 变分自动编码器 117

4.8 本章小结 127

第5章 玻尔兹曼机 129

5.1 什么是玻尔兹曼机？ 129

5.2 受限玻尔兹曼机(RBM) 130

5.2.1 使用RBM进行异常检测——信用卡数据集 135

5.2.2 使用RBM进行异常检测——KDDCUP数据集 142

5.3 本章小结 154

第6章 长短期记忆网络模型 155

6.1 序列和时间序列分析 155

6.2 什么是RNN？ 157

6.3 什么是LSTM？ 159

6.4 使用LSTM进行异常检测 163

6.5 时间序列的示例 178

6.5.1 art_daily_no_noise 178

6.5.2 art_daily_nojump 180

6.5.3 art_daily_jumpsdown 181

6.5.4 art_daily_perfect_square_wave 182

6.5.5 art_load_balancer_spikes 184

6.5.6 ambient_temperature_system_failure 185

6.5.7 ec2_cpu_utilization 186

6.5.8 rds_cpu_utilization 188

6.6 本章小结 189

第7章 时域卷积网络 191

7.1 什么是时域卷积网络？ 191

7.2 膨胀时域卷积网络 194

7.3 编码器-解码器时域卷积网络 211

7.4 本章小结 220

第8章 异常检测实际应用案例 221

8.1 什么是异常检测？ 222

8.2 异常检测的实际应用案例 223

8.2.1 电信 223

8.2.2 银行服务 225

8.2.3 环境 225

8.2.4 医疗保健 227

8.2.5 交通运输 229

8.2.6 社交媒体 229

8.2.7 金融和保险 230

8.2.8 网络安全 231

8.2.9 视频监控 233

8.2.10 制造业 234

8.2.11 智能住宅 235

8.2.12 零售业 236

8.3 实现基于深度学习的异常检测 237

8.4 本章小结 238

附录A Keras简介 239

附录B PyTorch简介 271