希望计算机专业学生都知道这些宝藏老师
大家好，我是库森，今天给大家分享一些计算机专业的宝藏老师，这些名师授课生动有趣，助你学习事半功倍！
1、C语言方面，翁凯老师和郝斌老师是你的不二之选。翁凯老师的课程细致深入，带你领略代码之美，引导思考，深受学生喜爱。郝斌老师的课程则从基础讲起，讲解深入浅出，适合初学者快速上手。
2、C++领域，侯捷老师是你的理想导师。他讲解清晰，深入浅出，尤其对初学者的指针问题有独到的见解，能让你彻底理解C++的精髓。
3、Python课程，陈斌老师的全面系统讲解绝对值得推荐。课后测试、作业及讲解分析都十分到位，助你巩固知识。
4、Java课程，韩顺平老师的课程友好易懂，他先理论后实践，确保每一个概念都清晰明了。
5、Linux课程，韩顺平老师以图解方式讲解，直观易懂，课程内容丰富，包括基础篇、实操篇、高级篇、Java定制篇、大数据定制篇、Python定制篇及企业面试题讲解篇。
6、数据结构课程，王卓老师和陈越老师都是不错的选择。王卓老师的课程思路清晰，适合零基础学习；陈越老师的课程虽然快，但非常适合复习巩固。
7、操作系统课程，哈工大李治军老师和南大蒋炎岩老师都是值得推荐的导师。李治军老师每节课回顾上一节内容，蒋炎岩老师从状态机视角讲解，课程包含高质量实验和代码抄袭检测工具。
8、计算机网络课程，中科大郑烇老师的讲解流畅深入，小破站上的好评足以证明其教学水平。
9、计算机组成原理课程，哈工大刘宏伟老师的视频配合唐硕飞的教材，对于有考哈工大研究生意向的学生来说是不错的选择。
10、数据库课程，哈工大战德臣老师的课程讲解清晰用心，每节课的标题明确时长，注重培养思维能力。
11、编译原理课程，哈工大陈鄞老师的课程内容丰富，讲解深入，是计算机专业进阶课程的佳选。
12、机器学习课程，吴恩达老师的课程是入门机器学习的理想选择，李宏毅老师的课程内容充实，讲解细致，深入解析DNN和BP，配备大作业及代码注释。
13、深度学习课程，李沐、李飞飞两位老师的课程偏实践，分享心得，答疑环节尤其值得学习。
以上推荐的视频可以在小破站、大学mooc、YouTube等平台搜索老师姓名找到，为你提供丰富优质的计算机专业学习资源。
异常检测笔记总结
what异常检测
异常检测定义
异常检测是数据挖掘的重要任务，近年来成为人工智能领域的研究热点。对于什么是异常，并没有标准答案，通常取决于具体应用场景。一般来说，异常是指与其他观察结果有很大差异的观察结果，足以引起怀疑它是由不同机制产生的。这一定义虽然比较笼统，但实际上包含了认定“异常”的两个标准或假设。
这些异常可能是由于错误、异常事件、变化模式或其他因素引起的。在异常检测中，我们通常称正常数据为“inliers”（内点），而异常数据为“outliers”或Anomalies（离群点）。
异常检测问题的定义
1李宏毅老师定义
给定一组训练数据 {x1, x2, ..., xn}，希望找到一个函数，用于判断输入 xi 是否与训练数据类似。不同的方法使用不同的方式来确定相似性，并根据相似性判断异常。
2微软kdd2019-Time-Series Anomaly Detection Service at Microsoft【将谱残差（SR）模型从视觉显著性检测领域借用到时间序列异常检测中】
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.
单变量：给定一个实值序列，即 x = x1, x2, ..., xn，时间序列异常检测的任务是生成一个输出序列 y = y1, y2, ..., yn，其中 yi ∈ {0, 1} 表示 xi 是否是异常点。
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 = {x₁, x₂, ··· , xₙ}, where n is the length of X, and an entity xₜ is an M-dimensional vector (metrics) at time t, i.e., xₜ ∈ ℝᴹ, the goals can be described as follows: - Anomaly detection: determining whether the current entity xₜ is anomalous or not. - Anomaly interpretation: given an anomalous entity, identifying the dimensions which most likely cause the anomaly.
多变量：本文旨在检测多变量时间序列中的异常。给定一个多变量时间序列集合，X = {x₁, x₂, ··· , xₙ}，其中 n 是 X 的长度，而实体 xₜ 是时间 t 上的 M 维向量（度量），即 xₜ ∈ ℝᴹ，目标可以描述如下：
补充：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.
用于时间序列分类的统一深度学习框架
在多元时间序列异常检测系统中，必须考虑不同时间序列之间的相关性。
补充：时序数据是一组按照时间顺序排列的数据的集合，与普通数据不同，时序数据不仅蕴含数据内部的语义信息，数据之间也存在着语义依赖关系（即时序数据的“序列性”）。时序数据特征：从统计域（Statistical Domain）、谱域（Spectral Domain）和时域（Temporal Domain）
异常检测类别
根据数据之间是否存在上下文关系, 将异常分为点异常、上下文异常和集群异常：
例子：信用卡平时每天消费0~200
假设数据分布是基于正弦函数，包含三种异常类型的数据
异常的多样性：
图片来自论文：Murray Dunne (2019). Aggregation of Heterogeneous Anomaly Detectors for Cyber-Physical Systems. UWSpace.
噪音和异常的区别：（噪音和异常的区别：异常跟正常数据不一样，引起人民的注意；噪音跟正常数据不一样，可能没有引起人们的注意）
why异常检测
异常数据无用
异常数据有用
数据预处理时，分析异常数据，把异常数据转化为各种应用领域中的重要可操作信息：
how异常检测
异常检测方法
1基于规则的异常检测
2 基于统计学的异常检测方法：识别数据中的异常值。
3 基于机器学习的异常检测方法：识别数据中的异常值。
4 基于深度学习的异常检测方法：识别数据中的异常值。
学习内容快速了解这个领域
快速了解异常检测领域，你可以采取以下步骤：
阅读经典论文
人工智能
数据挖掘：SIGMOD，SIGKDD，SIGIR，VLDB, ICDE,；TKDE
领域研究机构和专家
教程和开源库
开源库
经典例子
使用自动编码器进行时间序列异常检测
异常检测实战：基于机器学习的信用卡欺诈检测
经典论文
经典综述论文
1Chalapathy R, Chawla S. Deep learning for anomaly detection: A survey[J]. arXiv preprint arXiv:1901.03407,2019. 使用深度学习进行异常检测的方法综述
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. 用于异常检测的深度学习：综述
对深度学习的异常检测进行分类：
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. 用于时间序列异常检测的深度学习：综述
关联研究
工业缺陷检测中, 正常样本包括多类产品, 缺陷可被视为其外观上的 “异常”.
考虑到上述几种任务的相似性, 在部分缺陷检测方法中也采用了异常检测、新颖点检测与 OOD检测的思路.
与异常相近的概念还包括新颖点 (novelty) 和分布外数据 (out-of-distribution, OOD) ：
可复现的经典论文
1VLDB 2022论文“TranAD：用于多元时间序列数据异常检测的深度变压器网络”
2ICLR2022 异常Transformer：具有关联差异的时间序列异常检测
论文审稿意见： Anomaly Transformer: Time Series Anomaly Detection with Association...
论文作者分享： ICLR 2022分享会-吴海旭-基于关联差异的时序异常检测算法_哔哩哔哩_bilibili
作者已在ReadPaper上回答好了 论文十问
3NeurIPS 2023论文 ADBench: Anomaly Detection BenchmarkADBench：异常检测基准
代码： github.com/Minqi824/ADB...
4ICLR 2024（Spotlight）论文 ITRANSFORMER: INVERTED TRANSFORMERS AREEFFECTIVE FOR TIME SERIES FORECASTING 作者团队：清华软院机器学习组，阿里集团
github地址 github.com/thuml/iTrans...
数据集
吴海旭分享的时序数据
链接： pan.baidu.com/s/1RYOqRJ...
提取码：o7qa
评价指标
研究方向思考
第一性原理：回溯事物的本质，重新思考怎么做。异常的本质是什么？从信息的角度思考
定义
数据
从数据的特性的角度思考
概念漂移代码示例
算法应用总结与参考
总结
参考
