《Outlier Detection in Python》書籍摘要

任何从事机器学习或数据科学工作的人都将从本书中受益。异常检测是一项常见的任务，对于在这些领域工作的任何人来说，都可能不时出现；这是一项重要的技能。理解异常检测也有助于从业者更好地理解机器学习的其他领域，如预测、聚类和降维。

对于任何从事数据分析工作的人来说，异常检测都非常有用。事实上，可以认为，在努力理解数据集时，两个主要任务是首先理解数据中的一般模式，其次是理解这些模式的例外情况：也就是异常值。

此外，任何在审计、安全、医疗保健、机器人检测、科学研究或任何其他领域工作的人，在这些领域中，理解可用数据并理解其中的异常情况都非常有用，他们会发现这本书非常有用。

Brett Kennedy 是一位拥有超过 30 年软件开发经验和超过 10 年数据科学经验的数据科学家。他曾在与金融审计、欺诈检测和社交媒体分析相关的异常检测领域工作。他之前领导一个专注于异常检测的研究团队。他与配偶和两个孩子住在多伦多。

异常检测的想法相当简单：找到数据集中最不像其他项目的项目。但是，在实践中，以有效和高效的方式做到这一点通常非常困难，尤其是在您感兴趣的细微异常值的情况下。执行后，很难确定标记为最异常的项目是否真正是最异常的。事实上，甚至很难具体识别标记的项目为何异常。