이 책에서는 이상 징후 탐지를 이용하여 우리 주변에서 발생 가능한 다양한 문제를 해결하는 방법에 대해서 알아볼 것입니다. 이상 징후 탐지 기술이 우리의 실행활에서 어떻게 활용될 수 있는 지 살펴볼 것입니다. 모든 활용 사례는 다양한 변수가 있기 때문에 단순히 코드를 복사하여 붙여넣는 것으로 모든 이상 징후를 완벽히 탐지할 수 있는 성공적인 모델을 만들 수는 없지만, 이 책에서는 가능성과 개념에 대한 이해를 돕기 위해서, 실제로 코딩을 해보면서 익힐 수 있는 다양한 활용사례를 다루고 있습니다, 파이썬(Python)은 다양한 패키지 및 사이킷런(Scikit-learn), 딥러닝 라이브러리 등과 통합되어 있는 데이터 과학에 가장 적합한 언어이기 때문에 이 책에서는 파이썬을 실습 언어로 사용하고 있습니다. 우리는 이상 징후 탐지가 무엇인지 소개하는 것을 시작으로 수십 년 동안 이상 징후 탐지 분야에서 사용된 기존의 기법들을 살펴볼 것입니다. 그리고 나서 맛보기로 딥러닝을 이상징후 탐지에 활용하기 위한 기법을 살펴볼 것입니다.그런 다음 우리는 모델 생성에 활용할 수 있는 오토인코더(autoencoder)와 변이형 오토인코더(variational autoencoder)를 살펴볼 것입니다.또한, 우리는 이상 징후를 탐지하는 방법으로 RBM(Boltzmann machine)을 살펴볼 것입니다. 그런 다음 LSTM(long short-term memory) 모델을 통해 시계열 데이터를 어떻
게 처리하여 이상징후에 활용할 수 있는 지 살펴볼 것입니다.우리는 시계열 데이터의 이상 징후 탐지에 있어서 TCN(Temporal Convolutional Networks) 을 살펴보고, 마지막으로 다양한 비즈니스 사용 사례에서 이상 징후를 탐지하는 몇 가지 사례를 살펴볼 것입니다. 또한, 부록에서는 가장 인기 있는 두 가지 딥러닝 프레임워크인 케라스(Keras)와 파이토치( PyTorch)도 자세히 다룰 것 입니다.
Chapter. 1 이상 징후 탐지(Anomoly Detection)란 무엇인가?
Chapter. 2 전통적인 이상 징후 탐지 방법
Chapter. 3 딥러닝 소개
Chapter. 4 오토인코더(Autoencoder)
Chapter. 5 볼츠만 머신(Boltzmann Mochine)
Chapter. 6 장·단기 메모리 모델(Long Short-Term Memory Model, LSTM)
Chapter. 7 시간 합성곱 네트워크(Temporal Convolutional Network, TCN)
Chapter. 8 이상 징후 탐지의 실제 사용 사례
Appendix A 케라스(Keras)소개
Appendix B 파이토치 소개