Outlier Detection in Python
Brett Kennedy
- Editorial
- Manning
- Año
- 2025
- Páginas
- ~562
- Nivel
- Intermedio
De qué trata
Tratado avanzado sobre detección de anomalías y valores atípicos en conjuntos de datos complejos escrito por Brett Kennedy y publicado por Manning en 2025. Combina estadística matemática rigurosa con machine learning en Python.
Cubre métodos paramétricos y no paramétricos (Z-score, IQR, distancias de Mahalanobis), algoritmos de machine learning no supervisados (Isolation Forest, Local Outlier Factor, One-Class SVM), detección en series temporales y visualización de anomalías con Matplotlib y Seaborn.
Brett Kennedy proporciona una metodología sistemática para discriminar entre ruido irrelevante, errores de medición y eventos atípicos de alto valor de negocio (como fraudes o fallos en sensores). Muy valioso para científicos de datos y analistas forenses.
- Outlier Detection
- Isolation Forest
- Machine Learning
- Series Temporales
- Detección de Fraude
- Manning
¿Cómo enseña?
Con proyectos
- ✓ Incluye ejercicios
- ✓ Incluye proyectos
Proyectos
Sistema de Detección en Tiempo Real de Transacciones Fraudulentas
Implementación de un modelo de machine learning no supervisado con Isolation Forest para aislar anomalías en flujos bancarios.
