RecAE 循环自动编码器，用于时间序列异常检测

异常检测 使用自动编码器的单变量时间序列异常检测教程 自动编码器在德累斯顿的杜托·阿诺玛利检测站

SDAD 流数据-异常检测

支持向量数据描述SVDD：使用支持向量数据描述（SVDD）进行异常检测或故障检测的MATLAB代码

基于递归神经网络的自动编码器 PyTorch实现， 目录： 项目结构： 项目结构基于以下 ├── agents | └── rnn_autoencoder.py # the main training agent for the recurrent NN-based AE ├── graphs | └── models | | └── recurrent_autoencoder.py # recurrent NN-based AE model definition | └── losses | | └── MAELoss.py # contains the Mean Absolute Error (MAE) loss | | └── MSELoss.py # contains the Mean Squared Error (MSE) loss ├── datasets

AI前线导读：Flink已经渐渐成为实时计算引擎的首选之一，从简单的实时 ETL到复杂的CEP场景，Flink都能够很好地驾驭。本文整理自携程实时计算负责人潘国庆在 QCon全球软件开发大会(北京站)2019的演讲，他介绍了携程如何基于Flink与TensorFlow 构建实时智能异常检测平台，以解决规则告警系统准确率低、时效性低、规则配置复杂与耗费人力等诸多问题，实现了业务指标毫秒级延迟与智能

一类神经网络 用于非线性异常检测的一类神经网络的简化Keras实现。 该实现基于此处描述的方法： : 。 我包括了ODDS（ ）的几个数据集。 设置 pipenv install . 应该配置一个python环境并在该环境中安装所有必需的依赖项。 跑步 在新的python环境中（通过CLI或IDE）运行python driver.py应该开始进行50个纪元的培训，并生成一些输出图。 测验 在test/test_basic.py中定义了两个单元测试：构建模型，以及基于本文示例的分位数损失测试： 执行pytest test以运行。 结果 HTTP数据集 失利 特征 局限性 使演示脚本更加灵活 添加更多的单元测试

用以制作中文的英文版，完整目录，对照阅读 Author(s): Charu C. Aggarwal Publisher: Springer, Year: 2016 ISBN: 3319475770,9783319475776

SOM 异常检测 这个 Python 模块提供了一个非常简单但高效的 Kohonen 自组织映射实现，用于异常检测目的。 该想法基于以下论文： Tian, J., Azarian, MH, Pecht, M. (2014)。 使用基于自组织图的 K 近邻算法进行异常检测。 欧洲预后与健康管理学会会议论文集。 算法简单描述 在一组正常数据（可能包含一些噪声或异常值）上训练某个维度的自组织图。 SOM 中的每个节点，计算映射到该节点的训练向量的数量，假设我们称这个数字为degree 。 删除所有度数小于某个阈值的节点。 对于要评估的数据中的每个观察，执行 k-NN wrt。 SOM 节点。 并计算到找到的节点的平均距离。 这是异常度量。 订购评估数据wrt。 到异常度量。 如何安装 安装可以通过执行： git clone https://github.com/FlorisHoog

:evergreen_tree:IsoTree-使用Isolation Forest进行异常值/异常检测-对于Ruby IsoTree:evergreen_tree:IsoTree-使用Isolation Forest进行异常值/异常检测-对于Ruby了解Isolation Forest的工作原理安装将这行添加到应用程序的Gemfile中：gem'isotree'入门准备数据x = [[1，2]，[3，4]，[5，6]，[7，8]]训练模型模型= IsoTree :: IsolationForest.new model.fit（x）获得离群值分数model.predict （x）分数介于0到1之间，分数越高，表示离群值。参数传递参数-IsoTree以下的默认值：