目次

第I部　異常検知の準備
第1章　イントロダクション
1–1 　異常検知とは何か
1–2　 各章のつながり
第2章　異常検知のデータサイエンス
2–1 　得られたデータの見える化（可視化)
2–2 　得られたデータの数式化：回帰モデル
2–2–1 　回帰モデルの構築
2–2–2　 モデルの当てはまりの良さ
2–3 　交差検証法
2–4 　次元圧縮：主成分分析
2–4–1　 主成分の導出
2–4–2 　寄与率と累積寄与率
2–4–3　 主成分スコア
2–4–4　 因子負荷量と主成分の解釈
2–5 　ベイズの定理
2–5–1 　事象の設定
2–5–2 　事象の確率
2–5–3 　条件付き確率
2–5–4 　ベイズの定理
第3章　異常検知
3–1 　データに基づいた異常検知
3–2 　異常度：正常と異常を判別する客観的基準
3–2–1 　異常度算出の例1：データ間の距離を参考に正常と異常を考える
3–2–2 　異常度算出の例２：正規分布を仮定して正常と異常を考える
3–3 　異常検知の性能評価
3–3–1 　正常データに対する精度
3–3–2 　異常データに対する精度
3–3–3 　分岐精度とF 値
3–3–4　 ROC 曲線の下部面積
3–4 　この章で使用したPython コード
第4章　距離に基づいた異常検知
4–1 　はじめに
4–2 　類似度(距離)
4–3 　距離に基づく異常検知のアプローチ
4–3–1　 全てのデータ点との距離
4–3–2　 最近傍(Nearest Neighbor) からの距離
4–3–3 　k 近傍(Nearest Neighbor) からの平均距離
4–3–4　 k 最近傍までの距離の中央値
第II部　データの特性でアプローチを決める
第5章　入出力の情報にもとづくアプローチ
5–1 　通常状態からの乖離に基づく検知：ホテリングT2
5–1–1 　データが従う確率分布の仮定
5–1–2　 異常度の算出
5–1–3　 異常判別の閾値設定
5–2 　過去の傾向からの乖離に基づく検知：k-近傍法
5–2–1　 データが従う確率分布の仮定
5–2–2 　異常度の算出
5–2–3 　異常判別の閾値設定
5–3 　特定の構造から外れたデータの検知：One-ClassSVM
5–3–1 　データを囲む最小の球を考える
5–3–2 　異常度の定義
5–3–3　 カーネルトリック
5–3–4 　異常判別の閾値設定
5–4 　この章で使用したPython コード
第6章　時系列情報にもとづくアプローチ
6–1 　定常状態の時系列データの異常検知
6–1–1　 前の時点との相関を調べる
6–1–2　 異常度の算出
6–1–3 　異常度判別の閾値設定
6–2 　非定常状態の時系列データの異常検知
6–2–1　 差分をとって定常状態とみなせる形に変換する
6–2–2 　異常度の算出
6–2–3 　異常度判別の閾値設定
6–3 　この章で使用したPython コード
第III部　実践
第7章　異常検知の実践例
7–1 　複数入力データの異常検知
7–1–1　 通常状態からの乖離に基づく検知：ホテリングT2
7–1–2　 特定の構造から外れたデータの検知：One-Class SVM
7–1–3　 補足：ホテリングT2 とOne-Class SVM の違い
7–2 　時系列データの異常検知
7–2–1　 気温データの時系列解析
7–2–2 　補足：時系列モデルのパラメータ推定
第8章　補足
8–1 　Python のインストールと実行
8–1–1　 Anaconda のインストール
8–1–2　 Jupyter Notebook を使ったインタラクティブ環境
8–1–3 　簡単な計算
8–1–4 　変数の型
8–1–5 　データ構造
8–1–6　 プログラムの基本（for 文とif 文)
8–1–7 　データの可視化
8–1–8 　ライブラリのインストール
8–2 　分岐ルールを作るアプローチ（Isolation Forest)
8–3 　異常検知の理解に有用な文献・サイト
8–3–1 　統計の基礎知識に関する書籍
8–3–2　 一般的な統計に関する書籍
8–3–3　 さらに進んだ統計の学習のための書籍
8–3–4　 機械学習に関する書籍
8–3–5 　データの可視化に関する書籍
8–3–6　 Python の使い方に関する書籍
8–3–7 　異常検知に関する書籍・Web サイト
8–3–8 　データを使ったビジネス課題の解決のヒントになる書籍
参考文献