مصنوعی طور پر فعال نظاموں کو اعداد و شمار میں غیر معمولی اندازوں کی شناخت کرنا بہت ضروری ہے جو غلطیوں، دھوکا دہی یا حفاظتی دھمکیوں کی نشان دہی کر سکتے ہیں۔ غیر واضح طریقوں سے جب معلومات غیر متعلقہ اعداد و شمار ہوتے ہیں تو یہ مضمون کلیدی طور پر غیر معمولی تکنیکوں اور حقیقی اطلاقات پر تحقیق کرتا ہے۔
انتہائی پریشانکُن نتائج
غیر مجاز طور پر انتہائی منظم طریقوں سے ڈیٹا کا تجزیہ کر کے وہ ڈیٹا کو قبل از وقت شناخت کیے بغیر شناخت کرنے پر مرکوز ہوتے ہیں جو عام انداز سے مختلف ہوتے ہیں۔ عام تکنیکوں میں شمارندی، انالکات اور فاصلاتی طریقوں کو شناخت کرنا شامل ہے۔
کلوسٹرنگ-بسد کرناٹک -
کلسٹرنگ Alphabeths مثلاً K-Means یا DBCNN گروپ جیسے اعداد و شمار کے ایسے نکات۔ انومالات کو ایسے نکات کے طور پر شناخت کیا جاتا ہے جو کسی بھی کرنٹ سے تعلق نہیں رکھتے یا کلسٹر سینٹرز سے دور ہیں یہ طریقے واضح گروپنگ کے ساتھ ڈیٹا سیٹ میں مؤثر ہیں۔
مایوسی کا شکار
ڈینسی پر مبنی تکنیکوں جیسے کہ مقامی آؤٹیئر فیکٹری (LOF) اعداد و شمار کی مقامی مقدار کا تجزیہ۔ اپنے پڑوسیوں کی نسبت کم مقدار کے ساتھ پوائنٹ کو انو ایم ای ای ایم کے طور پر استعمال کیا جاتا ہے یہ طریقے مختلف ڈیٹا تقسیم کے لیے بہتر طور پر درست ثابت ہوتے ہیں۔
حقیقی-ورلڈ کیس اسٹڈیز
بہت سی صنعتیں ایسے ہیں جن میں ناکامیوں کے بعد سامان کے استعمال میں آنے سے پہلے سامان کی کمی واقع ہو رہی ہے ۔
- مالی نقصان
- نیٹ ورک سیکورٹی نگرانی
- صحتبخش
- صحت کا خیال رکھنا