تحلیل آماری و مقایسه مدل‌های Unsupervised Anomaly Detection با پایتون

---

شرح پروژه

برای یک پروژه دانشگاهی در سطح کارشناسی ارشد Data Science، به همکاری فردی مسلط به Python، آمار و یادگیری ماشین نیاز دارم تا چند روش آماری و الگوریتم یادگیری ماشین را برای تشخیص ناهنجاری (Anomaly Detection) روی یک دیتاست بزرگ و بدون برچسب (Unlabeled Dataset) پیاده‌سازی و مقایسه کند.

هدف پروژه، شناسایی مشاهدات غیرعادی در داده‌ها بدون استفاده از مدل‌های نظارت‌شده (Supervised Learning) و بررسی عملکرد روش‌های آماری کلاسیک در مقایسه با الگوریتم‌های پیشرفته‌تر یادگیری ماشین است.

روش‌های موردنظر

۱. روش‌های آماری:

- IQR و Box Plot

- Z-Score و Modified Z-Score

- Median Absolute Deviation (MAD)

- در صورت مناسب بودن داده‌ها، روش‌های آماری مقاوم و تعیین آستانه تطبیقی یا روش‌هایی پیشنهادی

۲. روش‌های یادگیری ماشین بدون نظارت:

- Isolation Forest

- Local Outlier Factor (LOF)

- One-Class SVM

- در صورت تناسب با ساختار داده‌ها، یک یا دو روش تکمیلی پیشنهادی متخصص

انتظارات

- بررسی اولیه دیتاست و تحلیل توزیع متغیرها

- پیش‌پردازش داده‌ها و انجام Feature Engineering در صورت نیاز

- مقایسه روش‌ها از نظر تعداد و درصد ناهنجاری‌های شناسایی‌شده، پایداری نتایج، پیچیدگی محاسباتی و تفسیرپذیری

- بررسی توافق و اختلاف میان روش‌ها و تحلیل نمونه‌های شناسایی‌شده

- ارائه روش مناسب ارزیابی در شرایط نبود Ground Truth Labels؛ در صورت امکان، استفاده از ناهنجاری‌های مصنوعی کنترل‌شده یا اطلاعات مستقل برای ارزیابی پس از تشخیص

- تحلیل نتایج و ارائه پیشنهاد برای ادامه پژوهش

خروجی‌های موردنیاز

- توضیح روش‌ها، پارامترها و منطق انتخاب آن‌ها

- جداول و نمودارهای مقایسه‌ای

- گزارش فنی شامل نتایج، محدودیت‌ها و پیشنهادهای پژوهشی

- امکان توضیح و انتقال دانش فنی برای درک و توسعه مستقل پروژه

مهارت‌های موردنیاز

 Python، آمار کاربردی، Statistical Learning، Unsupervised Machine Learning و تحلیل داده‌های نسبتاً بزرگ. تجربه پژوهشی یا دانشگاهی در زمینه Anomaly Detection

لطفاً در پیشنهاد خود، تجربه مرتبط، روش‌های پیشنهادی، زمان تقریبی انجام پروژه و هزینه را اعلام کنید. حجم و ساختار دیتاست و جزئیات نهایی کار پس از توافق اولیه ارائه خواهد شد.

مهارت ها و تخصص های مورد نیاز

---

---