KYBS7041 Anomaly Detection (5 cr)
Study level:
Advanced studies
Grading scale:
0-5
Language:
English, Finnish
Responsible organisation:
Faculty of Information Technology
Curriculum periods:
2017-2018, 2018-2019, 2019-2020
Description
Sisältö
Anomalioiden kategoriat. Anomalian havaitsemismenetelmien
kategoriat. Datajoukot ja –tyypit. Lineaarialgebran
kertaus (tarvittaessa). Mitat ja metriikat.
Datan esiprosessointi. Menetelmien tarkkuuden mittaaminen
ja testaaminen. Poikkeamantunnistusmenetelmiä
(Kynnystäminen, klusterointi, NN-pohjaiset,
tiheyspohjaiset). Esimerkit toteutettu Matlabilla.
Suoritustavat
Luennoille osallistuminen ja harjoitustyö (useita kurssin aikana)
Arviointiperusteet
Opintojakson arviointi perustuu harjoitustöihin.
Learning outcomes
Ymmärtää anomalian käsitteen ja eri kategoriat. Ymmärtää
datapisteen, -joukon ja –tyypin käsitteen ja eri
kategoriat. Ymmärtää eri anomalianhavaitsemismenetelmien
toimintaperiaatteet. Osaa soveltaa anomalianhavaitsemismenetelmiä
eri tilanteissa. Osaa arvioida
menetelmien suorituskykyä.
datapisteen, -joukon ja –tyypin käsitteen ja eri
kategoriat. Ymmärtää eri anomalianhavaitsemismenetelmien
toimintaperiaatteet. Osaa soveltaa anomalianhavaitsemismenetelmiä
eri tilanteissa. Osaa arvioida
menetelmien suorituskykyä.
Description of prerequisites
Periaatteessa ei esitieto vaatimuksia. Käytännössä ohjelmoinnin
perusteiden tunteminen korkeantason numeeriseen
laskentaan tarkoitetulla kielellä (Matlab/R/Python)
ja lineaarialgebran osaaminen helpottavat
huomattavasti opiskelua ja kurssin suorittamista.
perusteiden tunteminen korkeantason numeeriseen
laskentaan tarkoitetulla kielellä (Matlab/R/Python)
ja lineaarialgebran osaaminen helpottavat
huomattavasti opiskelua ja kurssin suorittamista.
Study materials
Luentomateriaalit
Completion methods
Method 1
Select all marked parts
Parts of the completion methods
x
Unpublished assessment item