希望計(jì)算機(jī)專業(yè)學(xué)生都知道這些寶藏老師

大家好，我是庫(kù)森，今天給大家分享一些計(jì)算機(jī)專業(yè)的寶藏老師，這些名師授課生動(dòng)有趣，助你學(xué)習(xí)事半功倍！

1、C語(yǔ)言方面，翁凱老師和郝斌老師是你的不二之選。翁凱老師的課程細(xì)致深入，帶你領(lǐng)略代碼之美，引導(dǎo)思考，深受學(xué)生喜愛(ài)。郝斌老師的課程則從基礎(chǔ)講起，講解深入淺出，適合初學(xué)者快速上手。

2、C++領(lǐng)域，侯捷老師是你的理想導(dǎo)師。他講解清晰，深入淺出，尤其對(duì)初學(xué)者的指針問(wèn)題有獨(dú)到的見(jiàn)解，能讓你徹底理解C++的精髓。

3、Python課程，陳斌老師的全面系統(tǒng)講解絕對(duì)值得推薦。課后測(cè)試、作業(yè)及講解分析都十分到位，助你鞏固知識(shí)。

4、Java課程，韓順平老師的課程友好易懂，他先理論后實(shí)踐，確保每一個(gè)概念都清晰明了。

5、Linux課程，韓順平老師以圖解方式講解，直觀易懂，課程內(nèi)容豐富，包括基礎(chǔ)篇、實(shí)操篇、高級(jí)篇、Java定制篇、大數(shù)據(jù)定制篇、Python定制篇及企業(yè)面試題講解篇。

6、數(shù)據(jù)結(jié)構(gòu)課程，王卓老師和陳越老師都是不錯(cuò)的選擇。王卓老師的課程思路清晰，適合零基礎(chǔ)學(xué)習(xí)；陳越老師的課程雖然快，但非常適合復(fù)習(xí)鞏固。

7、操作系統(tǒng)課程，哈工大李治軍老師和南大蔣炎巖老師都是值得推薦的導(dǎo)師。李治軍老師每節(jié)課回顧上一節(jié)內(nèi)容，蔣炎巖老師從狀態(tài)機(jī)視角講解，課程包含高質(zhì)量實(shí)驗(yàn)和代碼抄襲檢測(cè)工具。

8、計(jì)算機(jī)網(wǎng)絡(luò)課程，中科大鄭烇老師的講解流暢深入，小破站上的好評(píng)足以證明其教學(xué)水平。

9、計(jì)算機(jī)組成原理課程，哈工大劉宏偉老師的視頻配合唐碩飛的教材，對(duì)于有考哈工大研究生意向的學(xué)生來(lái)說(shuō)是不錯(cuò)的選擇。

10、數(shù)據(jù)庫(kù)課程，哈工大戰(zhàn)德臣老師的課程講解清晰用心，每節(jié)課的標(biāo)題明確時(shí)長(zhǎng)，注重培養(yǎng)思維能力。

11、編譯原理課程，哈工大陳?ài)蠢蠋煹恼n程內(nèi)容豐富，講解深入，是計(jì)算機(jī)專業(yè)進(jìn)階課程的佳選。

12、機(jī)器學(xué)習(xí)課程，吳恩達(dá)老師的課程是入門(mén)機(jī)器學(xué)習(xí)的理想選擇，李宏毅老師的課程內(nèi)容充實(shí)，講解細(xì)致，深入解析DNN和BP，配備大作業(yè)及代碼注釋。

13、深度學(xué)習(xí)課程，李沐、李飛飛兩位老師的課程偏實(shí)踐，分享心得，答疑環(huán)節(jié)尤其值得學(xué)習(xí)。

以上推薦的視頻可以在小破站、大學(xué)mooc、YouTube等平臺(tái)搜索老師姓名找到，為你提供豐富優(yōu)質(zhì)的計(jì)算機(jī)專業(yè)學(xué)習(xí)資源。

異常檢測(cè)筆記總結(jié)

what異常檢測(cè)

異常檢測(cè)定義

異常檢測(cè)是數(shù)據(jù)挖掘的重要任務(wù)，近年來(lái)成為人工智能領(lǐng)域的研究熱點(diǎn)。對(duì)于什么是異常，并沒(méi)有標(biāo)準(zhǔn)答案，通常取決于具體應(yīng)用場(chǎng)景。一般來(lái)說(shuō)，異常是指與其他觀察結(jié)果有很大差異的觀察結(jié)果，足以引起懷疑它是由不同機(jī)制產(chǎn)生的。這一定義雖然比較籠統(tǒng)，但實(shí)際上包含了認(rèn)定“異常”的兩個(gè)標(biāo)準(zhǔn)或假設(shè)。

這些異常可能是由于錯(cuò)誤、異常事件、變化模式或其他因素引起的。在異常檢測(cè)中，我們通常稱正常數(shù)據(jù)為“inliers”（內(nèi)點(diǎn)），而異常數(shù)據(jù)為“outliers”或Anomalies（離群點(diǎn)）。

異常檢測(cè)問(wèn)題的定義

1李宏毅老師定義

給定一組訓(xùn)練數(shù)據(jù) {x1, x2, ..., xn}，希望找到一個(gè)函數(shù)，用于判斷輸入 xi 是否與訓(xùn)練數(shù)據(jù)類似。不同的方法使用不同的方式來(lái)確定相似性，并根據(jù)相似性判斷異常。

2微軟kdd2019-Time-Series Anomaly Detection Service at Microsoft【將譜殘差（SR）模型從視覺(jué)顯著性檢測(cè)領(lǐng)域借用到時(shí)間序列異常檢測(cè)中】

Given a sequence of real values, i.e., x = x1, x2, ..., xn, the task of time-series anomaly detection is to produce an output sequence, y = y1,y2, ...,yn, where yi ∈ {0, 1} denotes whether xi is an anomaly point.

單變量：給定一個(gè)實(shí)值序列，即 x = x1, x2, ..., xn，時(shí)間序列異常檢測(cè)的任務(wù)是生成一個(gè)輸出序列 y = y1, y2, ..., yn，其中 yi ∈ {0, 1} 表示 xi 是否是異常點(diǎn)。

3icde2021-DAEMON Unsupervised Anomaly Detection and Interpretation for Multivariate Time Series

In this paper, we aim to detect anomalies for multivariate time series. Given a collection of multivariate time series, X = {x?, x?, ··· , x?}, where n is the length of X, and an entity x? is an M-dimensional vector (metrics) at time t, i.e., x? ∈ ??, the goals can be described as follows: - Anomaly detection: determining whether the current entity x? is anomalous or not. - Anomaly interpretation: given an anomalous entity, identifying the dimensions which most likely cause the anomaly.

多變量：本文旨在檢測(cè)多變量時(shí)間序列中的異常。給定一個(gè)多變量時(shí)間序列集合，X = {x?, x?, ··· , x?}，其中 n 是 X 的長(zhǎng)度，而實(shí)體 x? 是時(shí)間 t 上的 M 維向量（度量），即 x? ∈ ??，目標(biāo)可以描述如下：

補(bǔ)充：Ismail Fawaz H, Forestier G, Weber J, et al. Deep learning for time series classification: a review[J]. Data mining and knowledge discovery, 2019, 33(4): 917-963.

用于時(shí)間序列分類的統(tǒng)一深度學(xué)習(xí)框架

在多元時(shí)間序列異常檢測(cè)系統(tǒng)中，必須考慮不同時(shí)間序列之間的相關(guān)性。

補(bǔ)充：時(shí)序數(shù)據(jù)是一組按照時(shí)間順序排列的數(shù)據(jù)的集合，與普通數(shù)據(jù)不同，時(shí)序數(shù)據(jù)不僅蘊(yùn)含數(shù)據(jù)內(nèi)部的語(yǔ)義信息，數(shù)據(jù)之間也存在著語(yǔ)義依賴關(guān)系（即時(shí)序數(shù)據(jù)的“序列性”）。時(shí)序數(shù)據(jù)特征：從統(tǒng)計(jì)域（Statistical Domain）、譜域（Spectral Domain）和時(shí)域（Temporal Domain）

異常檢測(cè)類別

根據(jù)數(shù)據(jù)之間是否存在上下文關(guān)系, 將異常分為點(diǎn)異常、上下文異常和集群異常：

例子：信用卡平時(shí)每天消費(fèi)0~200

假設(shè)數(shù)據(jù)分布是基于正弦函數(shù)，包含三種異常類型的數(shù)據(jù)

異常的多樣性：

圖片來(lái)自論文：Murray Dunne (2019). Aggregation of Heterogeneous Anomaly Detectors for Cyber-Physical Systems. UWSpace.

噪音和異常的區(qū)別：（噪音和異常的區(qū)別：異常跟正常數(shù)據(jù)不一樣，引起人民的注意；噪音跟正常數(shù)據(jù)不一樣，可能沒(méi)有引起人們的注意）

why異常檢測(cè)

異常數(shù)據(jù)無(wú)用

異常數(shù)據(jù)有用

數(shù)據(jù)預(yù)處理時(shí)，分析異常數(shù)據(jù)，把異常數(shù)據(jù)轉(zhuǎn)化為各種應(yīng)用領(lǐng)域中的重要可操作信息：

how異常檢測(cè)

異常檢測(cè)方法

1基于規(guī)則的異常檢測(cè)

2 基于統(tǒng)計(jì)學(xué)的異常檢測(cè)方法：識(shí)別數(shù)據(jù)中的異常值。

3 基于機(jī)器學(xué)習(xí)的異常檢測(cè)方法：識(shí)別數(shù)據(jù)中的異常值。

4 基于深度學(xué)習(xí)的異常檢測(cè)方法：識(shí)別數(shù)據(jù)中的異常值。

學(xué)習(xí)內(nèi)容快速了解這個(gè)領(lǐng)域

快速了解異常檢測(cè)領(lǐng)域，你可以采取以下步驟：

閱讀經(jīng)典論文

人工智能

數(shù)據(jù)挖掘：SIGMOD，SIGKDD，SIGIR，VLDB, ICDE,；TKDE

領(lǐng)域研究機(jī)構(gòu)和專家

教程和開(kāi)源庫(kù)

開(kāi)源庫(kù)

經(jīng)典例子

使用自動(dòng)編碼器進(jìn)行時(shí)間序列異常檢測(cè)

異常檢測(cè)實(shí)戰(zhàn)：基于機(jī)器學(xué)習(xí)的信用卡欺詐檢測(cè)

經(jīng)典論文

經(jīng)典綜述論文

1Chalapathy R, Chawla S. Deep learning for anomaly detection: A survey[J]. arXiv preprint arXiv:1901.03407,2019. 使用深度學(xué)習(xí)進(jìn)行異常檢測(cè)的方法綜述

2Pang G, Shen C, Cao L, et al. Deep learning for anomaly detection: A review[J]. ACM computing surveys (CSUR),2021, 54(2): 1-38. 用于異常檢測(cè)的深度學(xué)習(xí)：綜述

對(duì)深度學(xué)習(xí)的異常檢測(cè)進(jìn)行分類：

3Darban Z Z, Webb G I, Pan S, et al. Deep learning for time series anomaly detection: A survey[J]. arXiv preprint arXiv:2211.05244,2022. 用于時(shí)間序列異常檢測(cè)的深度學(xué)習(xí)：綜述

關(guān)聯(lián)研究

工業(yè)缺陷檢測(cè)中, 正常樣本包括多類產(chǎn)品, 缺陷可被視為其外觀上的 “異常”.

考慮到上述幾種任務(wù)的相似性, 在部分缺陷檢測(cè)方法中也采用了異常檢測(cè)、新穎點(diǎn)檢測(cè)與 OOD檢測(cè)的思路.

與異常相近的概念還包括新穎點(diǎn) (novelty) 和分布外數(shù)據(jù) (out-of-distribution, OOD) ：

可復(fù)現(xiàn)的經(jīng)典論文

1VLDB 2022論文“TranAD：用于多元時(shí)間序列數(shù)據(jù)異常檢測(cè)的深度變壓器網(wǎng)絡(luò)”

2ICLR2022 異常Transformer：具有關(guān)聯(lián)差異的時(shí)間序列異常檢測(cè)

論文審稿意見(jiàn)： Anomaly Transformer: Time Series Anomaly Detection with Association...

論文作者分享： ICLR 2022分享會(huì)-吳海旭-基于關(guān)聯(lián)差異的時(shí)序異常檢測(cè)算法_嗶哩嗶哩_bilibili

作者已在ReadPaper上回答好了 論文十問(wèn)

3NeurIPS 2023論文 ADBench: Anomaly Detection BenchmarkADBench：異常檢測(cè)基準(zhǔn)

代碼： github.com/Minqi824/ADB...

4ICLR 2024（Spotlight）論文 ITRANSFORMER: INVERTED TRANSFORMERS AREEFFECTIVE FOR TIME SERIES FORECASTING 作者團(tuán)隊(duì)：清華軟院機(jī)器學(xué)習(xí)組，阿里集團(tuán)

github地址 github.com/thuml/iTrans...

數(shù)據(jù)集

吳海旭分享的時(shí)序數(shù)據(jù)

鏈接： pan.baidu.com/s/1RYOqRJ...

提取碼：o7qa

評(píng)價(jià)指標(biāo)

研究方向思考

第一性原理：回溯事物的本質(zhì)，重新思考怎么做。異常的本質(zhì)是什么？從信息的角度思考

定義

數(shù)據(jù)

從數(shù)據(jù)的特性的角度思考

概念漂移代碼示例

算法應(yīng)用總結(jié)與參考

總結(jié)

參考