Pythonによる異常検知


Pythonによる異常検知


オーム社


著者:曽我部東馬
監修:曽我部完


はじめに

第0章 機械学習と異常検知
0.1 異常検知とは?
 1 異常検知の定義
 2 異常検知におけるデータの分類と手法の選択
 3 異常検知の活用例
0.2 本書の意義と構成

第1 章機械学習と統計解析の基本モデル
1.1 機械学習と誤差関数
 1 教師あり学習と教師なし学習
 2 誤差δと誤差関数L
 3 バイアス(平均)とバリアンス(分散)
 4 誤差関数と異常検知
1.2 機械学習と統計解析の比較
 1 類似性
 2 相違性
1.3 教師あり学習-分類と回帰
 1 回帰とはなにか
 2 分類とはなにか
 3 統計モデルと代表的なアルゴリズム
 4 機械学習モデルと代表的なアルゴリズム
1.4 教師なし学習-特徴抽出・クラスタリング・次元削減
 1 次元削減とクラスタリングの等価性
 2 1重行列による次元削減(主成分分析)
 3 多重行列による次元削減
 4 統計分布による次元削減(t-SNE)
 5 競合学習による次元削減
 6 モンテカルロ粒子フィルタによるベイジャン型次元削減

第2章 非時系列データにおける異常検知
2.1 異常検知とデータ構造
 1 異常検知の4ステップ
 2 3種類のデータ構造と異常検知の手法
2.2 正規分布に基づく異常検知
 1 1次元正規分布に基づく異常検知
 2 多次元正規分布に基づく異常検知
 3 多変数マハラノビス=タグチ法に基づく異常検知
2.3 非正規分布に基づく異常検知
2.4 高度な特徴抽出による異常検知
 1 k平均法
 2 Expectation-maximization algorithm(EM 法)
 3 主成分分析
 4 AutoEncoder(AE)と制約付きボルツマンマシン(RBM)
2.5 関数近似に基づく異常検知
2.6 異常検知モデルの検証
 1 混同行列
 2 ROC曲線

第3章 時系列データにおける異常検知
3.1 時系列データの性質
 1 時系列データ解析の背景
 2 時系列データ解析の前提条件
3.2 自己回帰型モデルによる時系列データの解析
 1 自己回帰とは
 2 AR(自己回帰)モデルの原理
 3 MA(移動平均)モデルの原理
 4 ARMA(自己回帰移動平均)モデルの原理
 5 ARIMA(自己回帰和分移動平均)モデルの原理
 6 SARIMA(季節性自己回帰和分移動平均)モデルの原理
3.3 状態空間モデルによる時系列データの解析
 1 自己回帰型モデルとの違い
 2 状態空間モデル学習の前提条件
 3 状態空間モデルの概要
 4 より複雑な状況における状態空間モデル
3.4 機械学習による時系列データの解析
 1 単変数の時系列データに対する機械学習
 2 多変数の時系列データに対する機械学習
3.5 時系列データにおける異常検知
 1 自己回帰モデルによる時系列データの異常検知
 2 機械学習による時系列データの異常検知

第4章 深層学習による異常検知
4.1 深層学習フレームワークReNomを用いた異常検知
 1 seq2seqを用いた人工データに対する異常検知
 2 seq2seqを用いた心電図データに対する異常検知
 3 生成モデルanoGANを用いた画像データに対する異常検知
 4 LSTM を用いた心電図データに対する異常検知
4.2 深層学習による異常検知の応用事例
 1 表面検査
 2 故障評価
4.3 異常解析分野の現状と課題
 1 データの高次元性と非構造多様性
 2 学習結果の可読性と可視化

参考文献
索引