2014斯坦福大学机器学习mkv视频 Lecture15.pdf

"机器学习 Anomaly Detection" Anomaly Detection（异常检测）是机器学习中的一种技术，旨在从数据中检测和识别异常或不normal的数据点。 Anomaly Detection 在实际应用中具有重要意义，例如欺诈检测、品质控制、系统监控等领域。 Andrew Ng 在斯坦福大学机器学习课程中讲解了 Anomaly Detection 的概念和算法。Anomaly Detection 的核心思想是检测数据中的异常值，并将其与正常数据区分开来。 在 Anomaly Detection 中，数据可以分为两类：正常数据（normal data）和异常数据（anomaly data）。正常数据是指符合常规模式的数据，而异常数据是指不符合常规模式的数据。 Anomaly Detection 的目标是检测出异常数据，并将其与正常数据区分开来。 Andrew Ng 提出了 Anomaly Detection 的一个经典算法，即基于高斯分布（Gaussian Distribution）的 Anomaly Detection 算法。该算法假设数据服从高斯分布，然后计算数据点的概率密度函数（Probability Density Function），如果数据点的概率密度函数小于某个阈值，则判定为异常数据。 在实际应用中，Anomaly Detection 可以用于欺诈检测、系统监控、品质控制等领域。例如，在欺诈检测中，可以使用 Anomaly Detection 算法来检测异常的用户行为，从而预防欺诈活动。在系统监控中，可以使用 Anomaly Detection 算法来检测系统中的异常情况，从而预防系统故障。 机器学习中的 Anomaly Detection 有很多种算法和技术，包括基于机器学习的方法、基于统计学的方法、基于规则的方法等。 Andrew Ng 在斯坦福大学机器学习课程中讲解了 Anomaly Detection 的概念和算法，为我们提供了一个学习和研究 Anomaly Detection 的良好资源。