墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
100+累计阅读
38平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
异常检测技术在众多领域都有着重要的应用，不同的技术各有优劣，其选择取决于具体应用场景和待分析数据的特征。常见的异常检测技术包括人工神经网络（ANNs）、C - LOF（Conformal Local Outlier Factor）、MuDi - Stream（Multi - dimensional Streaming）、回归模型以及极限学习机（ELMs）等。
| 技术类型 | 适用数据性质 | 可检测异常类型 | 常用数据集 | 窗口技术 |
|---|---|---|---|---|
| 人工神经网络（ANNs） | 连续数据 | 点异常 | 实验数据集 | 滑动窗口 |
| C - LOF | 数据流 | 点异常 | 合成和现实生活数据集 | 滑动窗口 |
| MuDi - Stream | 数据流 | 点异常 | KDD Cup’99、UCI 数据集等 | 固定窗口 |
Anomaly Detection-异常检测算法（Coursera-Ng-ML课程）
现实生活中有许多需要提前预防一些异常问题出现的情况，例如在飞机起飞前，对飞机各部分进行评估，看发动机等各个零件是否性能正常，若有潜在的问题（可能出现异常情况），则需要及时检修或更换。那么我们如何去评估异常是否存在呢？利用联合概率分布~联合概率分布 正态分布 异常检测模型训练 模型评估联合概率分布X表示一系列随机变量X1,X2,X3,….,Xn的组合,每个随机变量符合服从各自的一种分布。假设各变量是两
机器学习加速器：面向业务落地的ML能力锚点实践
机器学习（ML）作为数字化转型的核心杠杆，其真正价值不在于算法精度，而在于能否以可测量、可嵌入业务流的方式驱动创新。本文聚焦‘accelerate’与‘innovation’两大核心诉求，解析如何将ML从实验室模型转化为具备确定性SLA的工程能力单元——即‘ML能力锚点’。通过预置轻量级、硬件适配、接口契约化的原子能力（如时序异常检测、多源数据对齐），显著压缩需求响应周期，解决传统端到端建模与业务创新节奏严重错配的痛点。适用于制造业预测性维护、智能充电桩健康预警、金融风控等强实时、低延迟、高可信场景，为一线
o1-preview在机器学习项目中的协同建模实战
机器学习项目落地常卡在业务理解到建模转化的鸿沟中。其核心挑战在于将模糊需求转化为可验证的数据假设，而非单纯调用API或生成代码。o1-preview凭借高推理链保真度，能锚定原始日志字段、生成带验证路径的特征假设，并深度参与特征工程、模型诊断与归因分析。它不替代建模者，而是延伸认知带宽，把‘设备易坏’等业务直觉翻译为‘uptime_days_bin × voltage_rms_1h’这类可统计检验的交互特征。在时序异常检测等真实场景中，显著压缩问题定义到可交付模型的周期。本文聚焦o1-preview如何赋能
异常检测面试实战地图：20道问题链突破ML面试瓶颈
异常检测是机器学习工程落地的核心能力之一，其本质并非单纯算法选型，而是对‘异常’在数据层、系统层与业务层的三维定义与协同建模。理解Isolation Forest的树高限制、LOF的k值与业务周期对齐、VAE重构误差的不可靠性等原理，直接关系到线上服务的稳定性与业务可信度。该技术价值在于支撑实时风控、运维监控、IoT故障预测等关键场景，尤其在数据漂移、概念漂移与标签缺失条件下，需融合统计基线、无监督模型与业务校准层构建鲁棒系统。本文聚焦异常检测面试中的真实问题链设计，覆盖定义辨析、算法深挖、评估陷阱与工程落
机器学习期末题库
1.属于监督学习的机器学习算法是：贝叶斯分类器2.属于⽆监督学习的机器学习算法是：层次聚类3.⼆项式分布的共轭分布是：Beta分布4.多项式分布的共轭分布是：Dirichlet分布5.朴素贝叶斯分类器的特点是：假设样本各维属性独⽴6.下列⽅法没有考虑先验分布的是：最⼤似然估计7.对于正态密度的贝叶斯分类器，各类协⽅差矩阵相同时，决策函数为：线性决策函数8.下列属于线性分类⽅法的是：感知机9.下列⽅法不受数据归⼀化影响的是：决策树10.下列分类⽅法中不会⽤到梯度下降法的是：最⼩距离分类器11.下列⽅法使⽤最⼤
AWS机器学习专家认证备考：端到端ML工程实战指南
机器学习工程化是将算法模型转化为稳定、可观测、可运维的生产服务的过程。其核心在于理解云平台（如AWS）中数据工程、探索性分析、建模与MLOps四大能力的协同逻辑，而非孤立记忆服务名称或参数。SageMaker作为关键载体，贯穿数据预处理、分布式训练、弹性推理到漂移监控全链路；而Glue、Kinesis、S3等服务则共同构成可信数据底座。技术价值体现在降低交付风险、保障合规性（如HIPAA/GDPR）、优化资源成本，并支撑实时欺诈检测、IoT异常识别等典型场景。本文基于真实项目踩坑经验，系统拆解MLS-C01
日志大数据分析中的机器学习应用：异常检测实战
在数字化时代，企业服务器、应用程序每天产生TB级别的日志数据——它们是系统运行的“黑匣子”，记录着用户行为、接口调用、错误信息等关键信息。规则无法覆盖所有异常（如偶发的跨模块联动故障）；误报率高（正常流量波动被误判）；无法发现“从未见过”的新型异常（如0day攻击）。本文聚焦“如何用机器学习自动识别日志异常”，覆盖从数据处理到模型落地的全流程，帮助读者掌握将AI技术应用于实际运维场景的能力。
Python机器学习实战：机器学习中的异常检测技术
1. 背景介绍 1.1 异常检测的定义 异常检测，也称为离群点检测，是指识别与大多数数据模式不同的数据点的过程。这些异常点通常被称为离群值，它们可能表示数据中的错误、欺诈或其他有趣的事件。 1.2 异常检测的应用 异常检测在各个领域都有广
37、基于机器学习的异常检测与入侵防御
本文探讨了基于机器学习的异常检测与入侵防御技术，介绍了其基本原理、常见方法及应用场景。通过实际案例分析，展示了如何利用机器学习算法（如SVM和随机森林）进行网络流量和系统日志的分析，并提出了针对数据不平衡、实时性要求等挑战的解决方案。
6、机器学习在异常检测与裂缝表征中的应用
本博文探讨了机器学习在异常检测与裂缝表征中的应用。在异常检测部分，比较了四种无监督技术（隔离森林、一类支持向量机、局部异常因子和DBSCAN）的性能，分析了其适用场景及超参数设置，并提出了评估流程。在裂缝表征部分，介绍了利用无监督聚类方法（如K-均值聚类、层次聚类和DBSCAN）对水力压裂实验中获取的剪切波形数据进行非侵入性可视化裂缝引起的地质力学变化。此外，还讨论了特征工程和降维在裂缝表征中的重要性，并展示了综合分析结果及未来研究方向。
Process Control软件：Applied Materials二次开发_（10）.异常检测与处理
在Process Control软件中，异常检测与处理是确保生产过程稳定、高效和安全的重要环节。通过综合使用统计学方法、机器学习算法和信号处理技术，可以有效识别异常情况，并采取相应的措施进行纠正或报警。以上示例展示了如何在不同的生产过程中应用这些技术，希望对读者在实际工作中有所帮助。
物联网组网技术优缺点对比：蓝牙、LoRa、wifi、NB-IoT、ZigBee等
1.前言 最近对物联网产品自组网技术选型，找到合适的组网技术，让产品自行组网并完成数据的传输。 2.参数对比
一种高超声速飞行器弹道的仿真方法
设计并实现了一个高超声速飞行器弹道仿真算法，并应用到基于OSGEarth的态势中。
用Python搞定超效率SBM模型：从数据清洗到结果可视化全流程指南
本文详细介绍了如何使用Python实现超效率SBM模型，从数据清洗到结果可视化的全流程指南。超效率SBM模型作为传统DEA的进化版本，能有效处理非期望产出（如环境污染）并对高效单元进行精细排序。通过实战案例和代码示例，帮助读者掌握这一先进模型的Python实现技巧，提升效率评估的准确性和可视化效果。
2021.11.23 Covins 多机器人单目协同建图 跑Euroc数据集 更新
近日，一直在调试如何使用Covins跑通数据集，因为是初学者，所以很多bug出来的时候原理都不懂，只能复制——百度——尝试解决的过程。 现分享一下近日的结果以及与Covins作者帮助解答的一些问题。 使用代码行跑依次跑Euroc多数据集 这里的意思是使用作者提供的covins_examples文件夹中的euroc_examples_mh123_vigba.sh文件，这个文件是将三个Euroc数据集依次运行，跑完第一个数据集，第二个数据集运行的时候在第一个数据集生成地图的基础上继续绘制，由于我只下载了两个数据
BDD测试用例：Playwright的MCP Server实战
Playwright MCP Server建立了大模型和真实的浏览环境之间的桥梁，可以让大模型操作多款浏览器完成测试任务。
Lumerical 教程，包含作者个人理解及相关设计案例 (目前共计184篇，持续更新中)
4138。
ICC2: 如何让CTS指定pin多长指定长度
这里create_clock不需要写到sdc里，在脚本里写就行，需要注意的是脚本里存在remove_clock_tree的话，add_buffer就要放remove_clock_tree后面，或者给guide buffer设don't touch也行。跟innovus的操作逻辑一样，如果要让tree上的某一点长长，要先考虑这个点后面的clock tree能正常balance。我正在「拾陆楼」和朋友们讨论有趣的话题，你⼀起来吧？-5意味着长长5ns，相反正值意味着做短。
PaddleOCR全版本完整指南：从入门到精通，全面解析安装部署与高级应用
摘要 本文详细介绍了PaddleOCR的完整安装与使用指南。首先讲解了环境准备步骤，包括Python 3.11虚拟环境创建和PaddlePaddle框架的CPU/GPU版本安装。接着介绍了PaddleOCR库的安装方式，可选功能模块（文档解析、信息抽取、翻译等）及其依赖组。通过示例代码演示了PPStructureV3文档解析功能的基本用法，并提供了安装验证方法。最后针对常见问题（Windows中文用户名报错、模型下载问题）给出解决方案。文章为从入门到精通的PaddleOCR用户提供了全面的技术指导。
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
温度PID控制PLC程序
温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值
蓝牙模块HM-10手册
蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
Outlook Express 6 (OE6) for Win7/Win8/Win10
英文版 Outlook Express6.0， 兼容Win7/Win10/WinXP，解压就可用。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
超级会员免费看
订阅专栏 解锁全文
4695
扫一扫
