Applied Cloud Deep Semantic Recognition: Advanced Anomaly Detection（应用云深层语义识别：高级异态检测）
引言
(by Mehdi Roopaei & Paul Rad)
异态检测与情境感知
在数据分析领域，异态检测讲的是在一个数据集中，发现到其中不符合预期模式的物体，动作，行为或事件。异态检测在诸多领域都有被用到，比如生物识别防伪，医疗保健，信用卡诈骗检测，网络入侵检测，恶意程序检测，军事威胁监测。数据中的异态会由多种原因引发，这些原因有个共同点，就是数据科学家和网络分析者对它们很感兴趣（摊手）。异态检测在不同的领域都已经有所研究和发展了，比如计算机科学，工程学，信息系统，以及网络安全。多种异态检测的算法已经出现，有的算法适用于特定领域，有的则比较一般而通用。
过去很多异态检测算法被设计出来，用于特定的场景，还有一些是属于大众化的算法，比较普通。本书尝试全面总览关于语境和情境感知（context and situational awareness）的异态检测，以对语境信息如何影响异态检测有个更好的理解。我们已经把拥有大量实用知识点的工业与学术中的有关标量分成了不同种类。在每一章中，先给出高级异态检测及其关键的预设效果，每次给定某一模型用于特定场景，前面的预设可作为此模型在此场景中的效能评估标准。在每一章中，我们提供了深度的内容理解和异态检测算法，进而展示此推荐算法与基础技术的不同之处。对于每一章，都会讨论此章的算法的优缺点。最后一章也很重要，讨论了模型和图形计算框架的计算复杂性，诸如Google Tensorflow和H2O，它们都是实际运用场景中的常客。我们希望，此书，可以供读者更好地理解那些在深层语义分析领域及情境评量中指出的有关深度学习的方法，如何被用于异态检测领域，可以让读者了解，在某一领域发展出的方法，是如何能被运用到其它的领域中去的。
此书旨在为计算机领域从业人员以及科研人员提供最前沿的，最专业的，基于认知与人工智能模型的，用于深度语义分析和高级异态检测的云框架技术。本书剩余部分的结构编排如下所述。
……
第二章：为新闻事件中的异态检测施加可选偏好项(？Leveraging Selectional Preferences for Anomaly Detection in Newswire Events)
……
第三章：人群中的非正常事件识别
……
第四章：认知型判断：基于深度网络的自适应异态检测
……
第五章：基于语言文字的视觉辨识
……
第六章：基于深度学习的字体辨识与检索
……
第七章：一个可靠的分布式的机器学习及语义分析云框架
……
第八章：实践并了解运用H2O和R语言实现自编码型的异态检测
……
Applied Cloud Deep Semantic Recognition: Advanced Anomaly Detection（应用云深层语义识别：高级异态检测）的更多相关文章
- 从时序异常检测（Time series anomaly detection algorithm）算法原理讨论到时序异常检测应用的思考
1. 主要观点总结 0x1:什么场景下应用时序算法有效 历史数据可以被用来预测未来数据,对于一些周期性或者趋势性较强的时间序列领域问题,时序分解和时序预测算法可以发挥较好的作用,例如: 四季与天气的关 ...
- Anomaly Detection for Time Series Data with Deep Learning——本质分类正常和异常的行为，对于检测异常行为，采用预测正常行为方式来做
A sample network anomaly detection project Suppose we wanted to detect network anomalies with the un ...
- Time Series Anomaly Detection
这里有个2015年的综述文章,概括的比较好,各种技术的适用场景. https://iwringer.wordpress.com/2015/11/17/anomaly-detection-concep ...
- PP: Robust Anomaly Detection for Multivariate Time Series through Stochastic Recurrent Neural Network
PROBLEM: OmniAnomaly multivariate time series anomaly detection + unsupervised 主体思想: input: multivar ...
- Isolation-based Anomaly Detection
Anomalies are data points that are few and different. As a result of these properties, we show that, ...
- anomaly detection algorithm
anomaly detection algorithm 以上就是异常监测算法流程
- 斯坦福NG机器学习课程：Anomaly Detection笔记
Anomaly Detection Problem motivation: 首先描写叙述异常检測的样例:飞机发动机异常检測 watermark/2/text/aHR0cDovL2Jsb2cuY3Nkb ...
- Machine Learning - XV. Anomaly Detection异常检測 (Week 9)
http://blog.csdn.net/pipisorry/article/details/44783647 机器学习Machine Learning - Andrew NG courses学习笔记 ...
- 论文笔记：Chaotic Invariants of Lagrangian Particle Trajectories for Anomaly Detection in Crowded Scenes
[原创]Liu_LongPo 转载请注明出处 [CSDN]http://blog.csdn.net/llp1992 近期在关注 crowd scene方面的东西.由于某些原因须要在crowd scen ...
随机推荐
- 数据结构之排序技术：快速排序、归并排序、堆排序（C++版）
快速排序 #include <iostream> using namespace std; void swap(int num[], int i, int j) { int temp = ...
- Python 编码为什么那么蛋疼？
据说,每个做 Python 开发的都被字符编码的问题搞晕过,最常见的错误就是 UnicodeEncodeError.UnicodeDecodeError,你好像知道怎么解决,遗憾的是,错误又出现在其它 ...
- Hibernate、Mybatis与Spring Data JPA
从零开始集成Springboot+MyBatis+JPA https://www.jianshu.com/p/e14c4a6f6871 MyBatis 与Hibernate的区别 http://xhr ...
- Makefile 实例
CROSS_COMPILE = HI_CFLAGS= -Wall -O2 -g -march=armv7-a -mcpu=cortex-a9 -mfloat-abi=softfp -mfpu=vfpv ...
- 51nod 1515 明辨是非 [并查集+set]
今天cb巨巨突然拿题来问,感觉惊讶又开心,希望他早日康复!!坚持学acm!加油! 题目链接:51nod 1515 明辨是非 [并查集] 1515 明辨是非 题目来源: 原创 基准时间限制:1 秒 空间 ...
- WK 与 JS 的那些事
苹果在iOS 8中推出了 WKWebView,这是一个高性能的 web 框架,相较于 UIWebView来说,有巨大提升.本文将针对 WKWebView 进行简单介绍,然后介绍下如何和 JS 进行愉快 ...
- Android HttpClient自己主动登陆discuz论坛！
你登陆论坛的时候,我们先看看浏览器干了什么事儿: 用Firefox打开HiPda 的登陆页面,输入用户名和password,点登陆. 以下是通过firebug插件获取的数据: 能够看到浏览器这个htt ...
- caffe 学习(3)——Layer Catalogue
layer是建模和计算的基本单元. caffe的目录包含各种state-of-the-art model的layers. 为了创建一个caffe model,我们需要定义模型架构在一个protocol ...
- Page Object设计模式（项目整体结构）
1. 什么是框架 1.1 定义: 框架(Framework)是整个或部分系统的可重用设计,表现为一组抽象构件(类)及构件(类)实例间交互的方法. 1.2 为什么要搭建自动化测试框架 自动化测试的开发, ...
- MVC学习十一：合并资源文件（BundleConfig）
在BundleConfig.cs文件下 //1.用户可以 手动 添加 js绑定对象,取一个 名字(虚拟路径),添加要绑定的JS文件 路径 bundles.Add(new ScriptBundle(&q ...