Detección de anomalías univariadas con Azure: datos históricos y en tiempo real

Identificar picos o caídas inesperadas en sus métricas es crucial para mantener la salud del sistema, detectar fraudes y comprender las tendencias empresariales.Este curso basado en texto le presenta los fundamentos de la detección de anomalías univariadas mediante servicios de decisión alojados en la nube. Aprenderá cómo preparar datos de series temporales de una sola característica y configurar modelos de detección para analizar conjuntos de datos históricos y flujos de información entrantes en tiempo real.Al estudiar explicaciones escritas claras y ejemplos de código estructurado, obtendrá las habilidades para integrar la detección de anomalías automatizada en sus tuberías de datos. Lo que aprenderás: - Comprender los conceptos fundamentales de los datos de series temporales univariadas y la detección de anomalías. - Configurar los servicios de detección de anomalías de Azure para procesar lotes de datos históricos. - Aplique modelos de detección en tiempo real para identificar valores atípicos en los últimos puntos de datos. - Prepare y limpie los conjuntos de datos de una sola característica para garantizar resultados de detección precisos. - Integre API de detección de anomalías en flujos de trabajo de datos modernos y tuberías de observabilidad. - Ajuste la configuración de sensibilidad para equilibrar los falsos positivos y las anomalías perdidas. El curso comienza con definiciones fundamentales de los patrones de series temporales y los tipos de anomalía, y luego avanza paso a paso a través de la configuración de servicios en la nube, el procesamiento de lotes históricos y el manejo de datos de transmisión. Este programa está diseñado para analistas de datos principiantes, profesionales de la nube y desarrolladores que buscan agregar detección de anomalías a su kit de herramientas, sin necesidad de experiencia previa en aprendizaje automático.Comience a leer hoy mismo para dominar la detección automatizada de anomalía en sus flujos de trabajo de datos.