100% found this document useful (2 votes)
15 views

Buy ebook Beginning Anomaly Detection Using Python Based Deep Learning Implement Anomaly Detection Applications with Keras and PyTorch 2nd Edition Suman Kalyan Adari cheap price

Adari

Uploaded by

seniwcageltd
Copyright
© © All Rights Reserved
Available Formats
Download as PDF, TXT or read online on Scribd
100% found this document useful (2 votes)
15 views

Buy ebook Beginning Anomaly Detection Using Python Based Deep Learning Implement Anomaly Detection Applications with Keras and PyTorch 2nd Edition Suman Kalyan Adari cheap price

Adari

Uploaded by

seniwcageltd
Copyright
© © All Rights Reserved
Available Formats
Download as PDF, TXT or read online on Scribd
You are on page 1/ 55

Download the full version of the ebook at

https://ebookgate.com

Beginning Anomaly Detection Using Python


Based Deep Learning Implement Anomaly
Detection Applications with Keras and PyTorch
2nd Edition Suman Kalyan Adari
https://ebookgate.com/product/beginning-anomaly-
detection-using-python-based-deep-learning-
implement-anomaly-detection-applications-with-
keras-and-pytorch-2nd-edition-suman-kalyan-adari/

Explore and download more ebook at https://ebookgate.com


Recommended digital products (PDF, EPUB, MOBI) that
you can download immediately if you are interested.

Deep Learning with PyTorch Second Edition MEAP V03 Howard


Huang

https://ebookgate.com/product/deep-learning-with-pytorch-second-
edition-meap-v03-howard-huang/

ebookgate.com

Python Machine Learning Machine Learning and Deep Learning


with Python scikit learn and TensorFlow 2nd Edition
Sebastian Raschka
https://ebookgate.com/product/python-machine-learning-machine-
learning-and-deep-learning-with-python-scikit-learn-and-
tensorflow-2nd-edition-sebastian-raschka/
ebookgate.com

Deep Learning with TensorFlow Explore neural networks with


Python 1st Edition Zaccone

https://ebookgate.com/product/deep-learning-with-tensorflow-explore-
neural-networks-with-python-1st-edition-zaccone/

ebookgate.com

Deep Reinforcement Learning with Python RLHF for Chatbots


and Large Language Models 2nd Edition Nimish Sanghi

https://ebookgate.com/product/deep-reinforcement-learning-with-python-
rlhf-for-chatbots-and-large-language-models-2nd-edition-nimish-sanghi/

ebookgate.com
General Relativity and the Pioneers Anomaly 1st Edition
Marcelo Samuel Berman

https://ebookgate.com/product/general-relativity-and-the-pioneers-
anomaly-1st-edition-marcelo-samuel-berman/

ebookgate.com

Deep Learning for Numerical Applications with SAS 1ed.


Edition Henry Bequet

https://ebookgate.com/product/deep-learning-for-numerical-
applications-with-sas-1ed-edition-henry-bequet/

ebookgate.com

Detection Algorithms for Wireless Communications With


Applications to Wired and Storage Systems 1st Edition
Gianluigi Ferrari
https://ebookgate.com/product/detection-algorithms-for-wireless-
communications-with-applications-to-wired-and-storage-systems-1st-
edition-gianluigi-ferrari/
ebookgate.com

Image Analysis Classification and Change Detection in


Remote Sensing With Algorithms for ENVI IDL and Python 3rd
Edition Morton John Canty
https://ebookgate.com/product/image-analysis-classification-and-
change-detection-in-remote-sensing-with-algorithms-for-envi-idl-and-
python-3rd-edition-morton-john-canty/
ebookgate.com

Single Photon Generation and Detection Physics and


Applications 1st Edition Alan Migdall

https://ebookgate.com/product/single-photon-generation-and-detection-
physics-and-applications-1st-edition-alan-migdall/

ebookgate.com
Beginning Anomaly
Detection Using
Python-Based Deep
Learning
Implement Anomaly Detection
Applications with Keras and PyTorch
Second Edition

Suman Kalyan Adari


Sridhar Alla
Beginning Anomaly Detection Using Python-Based Deep Learning: Implement
Anomaly Detection Applications with Keras and PyTorch, Second Edition
Suman Kalyan Adari Sridhar Alla
Tampa, FL, USA Delran, NJ, USA

ISBN-13 (pbk): 979-8-8688-0007-8 ISBN-13 (electronic): 979-8-8688-0008-5


https://doi.org/10.1007/979-8-8688-0008-5

Copyright © 2024 by Suman Kalyan Adari, Sridhar Alla


This work is subject to copyright. All rights are reserved by the Publisher, whether the whole or part of the
material is concerned, specifically the rights of translation, reprinting, reuse of illustrations, recitation,
broadcasting, reproduction on microfilms or in any other physical way, and transmission or information
storage and retrieval, electronic adaptation, computer software, or by similar or dissimilar methodology now
known or hereafter developed.
Trademarked names, logos, and images may appear in this book. Rather than use a trademark symbol with
every occurrence of a trademarked name, logo, or image we use the names, logos, and images only in an
editorial fashion and to the benefit of the trademark owner, with no intention of infringement of the
trademark.
The use in this publication of trade names, trademarks, service marks, and similar terms, even if they are not
identified as such, is not to be taken as an expression of opinion as to whether or not they are subject to
proprietary rights.
While the advice and information in this book are believed to be true and accurate at the date of publication,
neither the authors nor the editors nor the publisher can accept any legal responsibility for any errors or
omissions that may be made. The publisher makes no warranty, express or implied, with respect to the
material contained herein.
Managing Director, Apress Media LLC: Welmoed Spahr
Acquisitions Editor: Celestin Suresh John
Development Editor: James Markham
Coordinating Editor: Gryffin Winkler
Cover designed by eStudioCalamar
Cover image by Tony [email protected]
Distributed to the book trade worldwide by Apress Media, LLC, 1 New York Plaza, New York, NY 10004,
U.S.A. Phone 1-800-SPRINGER, fax (201) 348-4505, e-mail [email protected], or visit
www.springeronline.com. Apress Media, LLC is a California LLC and the sole member (owner) is Springer
Science + Business Media Finance Inc (SSBM Finance Inc). SSBM Finance Inc is a Delaware corporation.
For information on translations, please e-mail [email protected]; for reprint,
paperback, or audio rights, please e-mail [email protected].
Apress titles may be purchased in bulk for academic, corporate, or promotional use. eBook versions and
licenses are also available for most titles. For more information, reference our Print and eBook Bulk Sales
web page at http://www.apress.com/bulk-sales.
Any source code or other supplementary material referenced by the author in this book is available to
readers on GitHub (https://github.com/Apress). For more detailed information, please visit
https://www.apress.com/gp/services/source-code.
Paper in this product is recyclable
Table of Contents
About the Authors���������������������������������������������������������������������������������������������������� ix

About the Technical Reviewers������������������������������������������������������������������������������� xi


Acknowledgments������������������������������������������������������������������������������������������������� xiii

Introduction�������������������������������������������������������������������������������������������������������������xv

Chapter 1: Introduction to Anomaly Detection��������������������������������������������������������� 1


What Is an Anomaly?��������������������������������������������������������������������������������������������������������������������� 1
Anomalous Swans������������������������������������������������������������������������������������������������������������������� 1
Anomalies as Data Points�������������������������������������������������������������������������������������������������������� 4
Anomalies in a Time Series����������������������������������������������������������������������������������������������������� 6
Categories of Anomalies������������������������������������������������������������������������������������������������������������� 12
Data Point–Based Anomalies������������������������������������������������������������������������������������������������� 12
Context-Based Anomalies����������������������������������������������������������������������������������������������������� 13
Pattern-Based Anomalies������������������������������������������������������������������������������������������������������ 14
Anomaly Detection���������������������������������������������������������������������������������������������������������������������� 14
Outlier Detection�������������������������������������������������������������������������������������������������������������������� 15
Noise Removal����������������������������������������������������������������������������������������������������������������������� 15
Novelty Detection������������������������������������������������������������������������������������������������������������������ 16
Event Detection��������������������������������������������������������������������������������������������������������������������� 16
Change Point Detection��������������������������������������������������������������������������������������������������������� 16
Anomaly Score Calculation���������������������������������������������������������������������������������������������������� 17
The Three Styles of Anomaly Detection�������������������������������������������������������������������������������������� 17
Where Is Anomaly Detection Used?�������������������������������������������������������������������������������������������� 18
Data Breaches����������������������������������������������������������������������������������������������������������������������� 18
Identity Theft�������������������������������������������������������������������������������������������������������������������������� 19
Manufacturing����������������������������������������������������������������������������������������������������������������������� 20

iii
Table of Contents

Networking���������������������������������������������������������������������������������������������������������������������������� 21
Medicine�������������������������������������������������������������������������������������������������������������������������������� 21
Video Surveillance����������������������������������������������������������������������������������������������������������������� 22
Environment�������������������������������������������������������������������������������������������������������������������������� 22
Summary������������������������������������������������������������������������������������������������������������������������������������ 22

Chapter 2: Introduction to Data Science����������������������������������������������������������������� 23


Data Science������������������������������������������������������������������������������������������������������������������������������� 24
Dataset���������������������������������������������������������������������������������������������������������������������������������� 24
Pandas, Scikit-Learn, and Matplotlib������������������������������������������������������������������������������������� 27
Data I/O���������������������������������������������������������������������������������������������������������������������������������� 28
Data Manipulation����������������������������������������������������������������������������������������������������������������� 33
Data Analysis������������������������������������������������������������������������������������������������������������������������� 75
Visualization�������������������������������������������������������������������������������������������������������������������������� 79
Data Processing�������������������������������������������������������������������������������������������������������������������� 85
Feature Engineering and Selection��������������������������������������������������������������������������������������� 96
Summary���������������������������������������������������������������������������������������������������������������������������������� 103

Chapter 3: Introduction to Machine Learning������������������������������������������������������� 105


Machine Learning��������������������������������������������������������������������������������������������������������������������� 106
Introduction to Machine Learning��������������������������������������������������������������������������������������� 106
Data Splitting����������������������������������������������������������������������������������������������������������������������� 111
Modeling and Evaluation����������������������������������������������������������������������������������������������������� 112
Overfitting and Bias-Variance Tradeoff�������������������������������������������������������������������������������� 121
Hyperparameter Tuning������������������������������������������������������������������������������������������������������� 130
Validation���������������������������������������������������������������������������������������������������������������������������������� 132
Summary���������������������������������������������������������������������������������������������������������������������������������� 134

Chapter 4: Traditional Machine Learning Algorithms������������������������������������������� 135


Traditional Machine Learning Algorithms���������������������������������������������������������������������������������� 136
Isolation Forest�������������������������������������������������������������������������������������������������������������������� 136
One-Class Support Vector Machine������������������������������������������������������������������������������������� 159
Summary���������������������������������������������������������������������������������������������������������������������������������� 182

iv
Table of Contents

Chapter 5: Introduction to Deep Learning������������������������������������������������������������ 183


Introduction to Deep Learning�������������������������������������������������������������������������������������������������� 185
What Is Deep Learning?������������������������������������������������������������������������������������������������������ 185
The Neuron�������������������������������������������������������������������������������������������������������������������������� 187
Activation Functions������������������������������������������������������������������������������������������������������������ 189
Neural Networks������������������������������������������������������������������������������������������������������������������ 203
Loss Functions�������������������������������������������������������������������������������������������������������������������� 210
Gradient Descent and Backpropagation������������������������������������������������������������������������������ 213
Loss Curve��������������������������������������������������������������������������������������������������������������������������� 224
Regularization��������������������������������������������������������������������������������������������������������������������� 227
Optimizers��������������������������������������������������������������������������������������������������������������������������� 228
Multilayer Perceptron Supervised Anomaly Detection�������������������������������������������������������� 238
Simple Neural Network: Keras��������������������������������������������������������������������������������������������� 243
Simple Neural Network: PyTorch����������������������������������������������������������������������������������������� 251
Summary���������������������������������������������������������������������������������������������������������������������������������� 260

Chapter 6: Autoencoders�������������������������������������������������������������������������������������� 261


What Are Autoencoders?����������������������������������������������������������������������������������������������������������� 262
Simple Autoencoders���������������������������������������������������������������������������������������������������������������� 264
Sparse Autoencoders���������������������������������������������������������������������������������������������������������������� 281
Deep Autoencoders������������������������������������������������������������������������������������������������������������������� 284
Convolutional Autoencoders����������������������������������������������������������������������������������������������������� 286
Denoising Autoencoders����������������������������������������������������������������������������������������������������������� 294
Variational Autoencoders���������������������������������������������������������������������������������������������������������� 304
Summary���������������������������������������������������������������������������������������������������������������������������������� 320

Chapter 7: Generative Adversarial Networks������������������������������������������������������� 321


What Is a Generative Adversarial Network?������������������������������������������������������������������������������ 322
Generative Adversarial Network Architecture���������������������������������������������������������������������� 325
Wasserstein GAN����������������������������������������������������������������������������������������������������������������� 327
WGAN-GP����������������������������������������������������������������������������������������������������������������������������� 329
Anomaly Detection with a GAN�������������������������������������������������������������������������������������������� 330
Summary���������������������������������������������������������������������������������������������������������������������������������� 343
v
Table of Contents

Chapter 8: Long Short-Term Memory Models������������������������������������������������������� 345


Sequences and Time Series Analysis���������������������������������������������������������������������������������������� 346
What Is an RNN?����������������������������������������������������������������������������������������������������������������������� 349
What Is an LSTM?��������������������������������������������������������������������������������������������������������������������� 350
LSTM for Anomaly Detection����������������������������������������������������������������������������������������������������� 355
Examples of Time Series����������������������������������������������������������������������������������������������������������� 377
art_daily_no_noise.csv������������������������������������������������������������������������������������������������������� 378
art_daily_nojump.csv���������������������������������������������������������������������������������������������������������� 379
art_daily_jumpsdown.csv��������������������������������������������������������������������������������������������������� 381
art_daily_perfect_square_wave.csv����������������������������������������������������������������������������������� 384
art_load_balancer_spikes.csv�������������������������������������������������������������������������������������������� 386
ambient_temperature_system_failure.csv�������������������������������������������������������������������������� 387
ec2_cpu_utilization.csv������������������������������������������������������������������������������������������������������� 389
rds_cpu_utilization.csv������������������������������������������������������������������������������������������������������� 390
Summary���������������������������������������������������������������������������������������������������������������������������������� 392

Chapter 9: Temporal Convolutional Networks������������������������������������������������������ 393


What Is a Temporal Convolutional Network?����������������������������������������������������������������������������� 394
Dilated Temporal Convolutional Network���������������������������������������������������������������������������������� 399
Anomaly Detection with the Dilated TCN����������������������������������������������������������������������������� 404
Encoder-Decoder Temporal Convolutional Network������������������������������������������������������������������ 421
Anomaly Detection with the ED-TCN����������������������������������������������������������������������������������� 424
Summary���������������������������������������������������������������������������������������������������������������������������������� 441

Chapter 10: Transformers������������������������������������������������������������������������������������� 443


What Is a Transformer?������������������������������������������������������������������������������������������������������������� 443
Transformer Architecture����������������������������������������������������������������������������������������������������� 446
Transformer Encoder����������������������������������������������������������������������������������������������������������� 447
Transformer Decoder����������������������������������������������������������������������������������������������������������� 452
Transformer Inference��������������������������������������������������������������������������������������������������������� 455
Anomaly Detection with the Transformer���������������������������������������������������������������������������� 455
Summary���������������������������������������������������������������������������������������������������������������������������������� 480

vi
Table of Contents

Chapter 11: Practical Use Cases and Future Trends of Anomaly Detection ��������� 481
Anomaly Detection�������������������������������������������������������������������������������������������������������������������� 482
Real-World Use Cases of Anomaly Detection���������������������������������������������������������������������������� 485
Telecom������������������������������������������������������������������������������������������������������������������������������� 485
Banking������������������������������������������������������������������������������������������������������������������������������� 487
Environmental��������������������������������������������������������������������������������������������������������������������� 488
Health Care�������������������������������������������������������������������������������������������������������������������������� 490
Transportation��������������������������������������������������������������������������������������������������������������������� 493
Social Media������������������������������������������������������������������������������������������������������������������������ 494
Finance and Insurance�������������������������������������������������������������������������������������������������������� 495
Cybersecurity���������������������������������������������������������������������������������������������������������������������� 496
Video Surveillance��������������������������������������������������������������������������������������������������������������� 499
Manufacturing��������������������������������������������������������������������������������������������������������������������� 500
Smart Home������������������������������������������������������������������������������������������������������������������������� 503
Retail����������������������������������������������������������������������������������������������������������������������������������� 504
Implementation of Deep Learning–Based Anomaly Detection�������������������������������������������������� 504
Future Trends���������������������������������������������������������������������������������������������������������������������������� 506
Summary���������������������������������������������������������������������������������������������������������������������������������� 508

Index��������������������������������������������������������������������������������������������������������������������� 511

vii
About the Authors
Suman Kalyan Adari is currently a machine learning research engineer. He obtained a
B.S. in computer science at the University of Florida and an M.S. in computer science,
specializing in machine learning, at Columbia University. He has been conducting
deep learning research in adversarial machine learning since his freshman year at the
University of Florida and has presented at the IEEE Dependable Systems and Networks
workshop on Dependable and Secure Machine Learning held in Portland, Oregon,
USA in June 2019. Currently, he works on various anomaly detection tasks spanning
behavioral tracking and geospatial trajectory modeling.
He is quite passionate about deep learning, and specializes in various fields ranging
from video processing to generative modeling, object tracking, time-series modeling,
and more.

Sridhar Alla is the co-founder and CTO of Bluewhale, which helps organizations big
and small in building AI-driven big data solutions and analytics, as well as SAS2PY, a
powerful tool to automate migration of SAS workloads to Python-based environments
using Pandas or PySpark. He is a published author of books and an avid presenter
at numerous Strata, Hadoop World, Spark Summit, and other conferences. He also
has several patents filed with the US PTO on large-scale computing and distributed
systems. He has extensive hands-on experience in several technologies, including Spark,
Flink, Hadoop, AWS, Azure, TensorFlow, Cassandra, and others. He spoke on anomaly
detection using deep learning at Strata SFO in March 2019 and at Strata London in
October 2019. He was born in Hyderabad, India, and now lives in New Jersey with his
wife, Rosie, his daughters, Evelyn and Madelyn, and his son, Jayson. When he is not busy
writing code, he loves to spend time with his family and also training, coaching, and
organizing meetups.

ix
About the Technical Reviewers
Puneet Sinha has accumulated more than 12 years of work
experience in developing and deploying end-to-end models
in credit risk, multiple marketing optimization, A/B testing,
demand forecasting and brand evaluation, profit and price
analyses, anomaly and fraud detection, propensity modeling,
recommender systems, upsell/cross-sell models, modeling
response to incentives, price optimization, natural language
processing, and OCR using ML/deep learning algorithms.

Shubho Mohanty is a product thinker and creator, bringing


two decades of experience in the “concept-to-­market”
life cycle of some of the unique, innovative, and highly
successful industry-first products and platforms in the data
and security spaces.
Shubho holds 12+ US patents in data, analytics, and
cloud security. He has also been awarded IDG CIO100, 2020
for strategizing and developing a technology innovation
ecosystem.
He currently serves as the Chief Product Officer at Calibo, where he leads the
product vision, strategy, innovation, and development of Calibo’s enterprise PaaS. Prior
to Calibo, Shubho was the Global VP of Product & Engineering at CDK Global (formerly,
ADP Inc). He has also served in various product leadership roles in organizations like
Symantec and Microsoft. He also co-founded Ganos, a B2B data start-up.
He received his B.Tech. in Electrical Engineering from National Institute of
Technology (NIT), India. He is a mentor to many high-repute start-up programs where
he guides young entrepreneurs to solve some of the most pressing challenges. He is also
an influential speaker at leading technology and industry forums.

xi
Acknowledgments
Suman Kalyan Adari
I would like to thank my parents, Krishna and Jyothi, my sister, Niha, and my loving dog,
Pinky, for supporting me throughout the entire process of writing this book as well as my
various other endeavors.

Sridhar Alla
I would like to thank my wonderful, loving wife, Rosie Sarkaria, and my beautiful,
loving children, Evelyn, Madelyn, and Jayson, for all their love and patience during the
many months I spent writing this book. I would also like to thank my parents, Ravi and
Lakshmi Alla, for their blessings and all the support and encouragement they continue
to bestow upon me.

xiii
Introduction
Congratulations on your decision to explore the exciting world of anomaly detection
using deep learning!
Anomaly detection involves finding patterns that do not adhere to what is
considered as normal or expected behavior. Businesses could lose millions of dollars
due to abnormal events. Consumers could also lose millions of dollars. In fact, there are
many situations every day where people’s lives are at risk and where their property is at
risk. If your bank account gets cleaned out, that’s a problem. If your water line breaks,
flooding your basement, that’s a problem. If all flights at an airport get delayed due to a
technical glitch in the traffic control system, that’s a problem. If you have a health issue
that is misdiagnosed or not diagnosed, that’s a very big problem that directly impacts
your well-being.
In this book, you will learn how anomaly detection can be used to solve business
problems. You will explore how anomaly detection techniques can be used to address
practical use cases and address real-life problems in the business landscape. Every
business and use case is different, so while we cannot copy and paste code and build a
successful model to detect anomalies in any dataset, this book will cover many use cases
with hands-on coding exercises to give you an idea of the possibilities and concepts
behind the thought process. All the code examples in the book are presented in Python
3.8. We choose Python because it is truly the best language for data science, with a
plethora of packages and integrations with scikit-learn, deep learning libraries, etc.
We will start by introducing anomaly detection, and then we will look at legacy
methods of detecting anomalies that have been used for decades. Then we will look
at deep learning to get a taste of it. Then we will explore autoencoders and variational
autoencoders, which are paving the way for the next generation of generative models.
Following that, we will explore generative adversarial networks (GANs) as a way to detect
anomalies, delving directly into generative AI.
Then we’ll look at long short-term memory (LSTM) models to see how temporal data
can be processed. We will cover temporal convolutional networks (TCNs), which are
excellent for temporal data anomaly detection. We will also touch upon the transformer

xv
Introduction

architecture, which has revolutionized the field of natural language processing as


another means for temporal anomaly detection. Finally, we will look at several examples
of anomaly detection in various business use cases.
In addition, all coding examples will be provided in TensorFlow 2/Keras, with
accompanying PyTorch equivalents, on the GitHub repository for this book. You will
combine all this extensive knowledge with hands-on coding using Jupyter notebook-
based exercises to experience the knowledge firsthand and see where you can use these
algorithms and frameworks. Best of luck, and welcome to the world of deep learning!

xvi
CHAPTER 1

Introduction to Anomaly
Detection
In this chapter, you will learn about anomalies in general, the categories of anomalies,
and anomaly detection. You will also learn why anomaly detection is important, how
anomalies can be detected, and the use case for such a mechanism.
In a nutshell, this chapter covers the following topics:

• What is an anomaly?

• Categories of different anomalies

• What is anomaly detection?

• Where is anomaly detection used?

What Is an Anomaly?
Before you get started with learning about anomaly detection, you must first understand
what exactly you are targeting. Generally, an anomaly is an outcome or value that
deviates from what is expected, but the exact criteria for what determines an anomaly
can vary from situation to situation.

Anomalous Swans
To get a better understanding of what an anomaly is, let’s take a look at some swans
sitting by a lake (Figure 1-1).

1
© Suman Kalyan Adari, Sridhar Alla 2024
S. K. Adari and S. Alla, Beginning Anomaly Detection Using Python-Based Deep Learning,
https://doi.org/10.1007/979-8-8688-0008-5_1
Chapter 1 Introduction to Anomaly Detection

Figure 1-1. A couple swans by a lake

Let’s say that we want to observe these swans and make assumptions about the
color of the swans at this particular lake. Our goal is to determine what the normal
color of swans is and to see if there are any swans that are of a different color than this
(Figure 1-2).

Figure 1-2. More swans show up, all of which are white

2
Chapter 1 Introduction to Anomaly Detection

We continue to observe swans for a few years and all of them have been white. Given
these observations, we can reasonably conclude that every swan at this lake should be
white. The very next day, we are observing swans at the lake again. But wait! What’s this?
A black swan has just flown in (Figure 1-3).

Figure 1-3. A black swan appears

Considering our previous observations, we thought that we had seen enough swans
to assume that the next swan would also be white. However, the black swan defies that
assumption entirely, making it an anomaly. It’s not really an outlier, which would be, for
example, a really big white swan or a really small white swan; it’s a swan that’s entirely
a different color, making it an anomaly. In our scenario, the overwhelming majority of
swans are white, making the black swan extremely rare.
In other words, given a swan by the lake, the probability of it being black is very
small. We can explain our reasoning for labeling the black swan as an anomaly with one
of two approaches (though we aren’t limited to only these two approaches).
First, given that a vast majority of swans observed at this particular lake are white, we
can assume that, through a process similar to inductive reasoning, the normal color for a
swan here is white. Naturally, we would label the black swan as an anomaly purely based
on our prior assumptions that all swans are white, considering that we’d only seen white
swans before the black swan arrived.

3
Chapter 1 Introduction to Anomaly Detection

Another way to look at why the black swan is an anomaly is through probability.
Now assume that there is a total of 1000 swans at this lake and only two are black swans;
the probability of a swan being black is 2 / 1000, or 0.002. Depending on the probability
threshold, meaning the lowest probability for an outcome or event that will be accepted
as normal, the black swan could be labeled as anomalous or normal. In our case, we will
consider it an anomaly because of its extreme rarity at this lake.

Anomalies as Data Points


We can extend this same concept to a real-world application. In the following example,
we will take a look at a factory that produces screws and attempt to determine what an
anomaly could be in this context and individual screws are sampled from each batch
and are tested to ensure a certain level of quality is maintained. For each sampled screw,
assume that the density and tensile strength (how resistant the screw is to breaking
under stress) are measured.
Figure 1-4 is an example graph of various sampled screws with the dotted lines
representing the range of densities and tensile strengths allowed. The solid lines form a
bounding box where any value of tensile strength and density inside it is considered good.

Figure 1-4. Density and tensile strength in a batch of screw samples

The intersections of the dotted lines have created several different regions containing
data points. Of interest is the bounding box (solid lines) created from the intersection of
both sets of dotted lines since it contains the data points for samples deemed acceptable
(Figure 1-5). Any data point outside of that specific box will be considered anomalous.
4
Chapter 1 Introduction to Anomaly Detection

Figure 1-5. Data points are identified as “good” or “anomaly” based on their
location

Now that we know which points are and aren’t acceptable, let’s pick out a sample from
a new batch of screws and check its data to see where it falls on the graph (Figure 1-6).

Figure 1-6. A new data point representing the new sample screw is generated,
with the data falling within the bounding box

The data for this sample screw falls within the acceptable range. That means that this
batch of screws is good to use since its density as well as tensile strength is appropriate
for use by the consumer. Now let’s look at a sample from the next batch of screws and
check its data (Figure 1-7).

5
Chapter 1 Introduction to Anomaly Detection

Figure 1-7. A new data point is generated for another sample, but this falls
outside the bounding box

The data falls far outside the acceptable range. For its density, the screw has abysmal
tensile strength and is unfit for use. Since it has been flagged as an anomaly, the
factory can investigate why this batch of screws turned out to be brittle. For a factory of
considerable size, it is important to hold a high standard of quality as well as maintain
a high volume of steady output to keep up with consumer demands. For a monumental
task like that, automation to detect any anomalies to avoid sending out faulty screws is
essential and has the benefit of being extremely scalable.
So far, we have explored anomalies as data points that are either out of place, in the
case of the black swan, or unwanted, in the case of faulty screws. So what happens when
we introduce time as a new variable?

Anomalies in a Time Series


With the introduction of time as a variable, we are now dealing with a notion of
temporality associated with the data sets. What this means is that certain patterns are
dependent on time. For example, daily, monthly, or yearly occurrences are time-series
patterns as they present on regular time intervals.
To better understand time series–based anomalies, let’s look at a few examples.

6
Chapter 1 Introduction to Anomaly Detection

Personal Spending Pattern


Figure 1-8 depicts a random person’s spending habits over the course of a month.

Figure 1-8. Spending habits of a person over the course of a month

Assume the initial spike in expenditures at the start of the month is due to the
payment of bills such as rent and insurance. During the weekdays, our example person
occasionally eats out, and on the weekends goes shopping for groceries, clothes, and
various other items. Also assume that this month does not include any major holidays.
These expenditures can vary from month to month, especially in months with major
holidays. Assume that our person lives in the United States, in which the holiday of
Thanksgiving falls on the last Thursday of the month of November. Many U.S. employers
also include the Friday after Thanksgiving as a day off for employees. U.S. retailers have
leveraged that fact to entice people to begin their Christmas shopping by offering special
deals on what has colloquially become known as “Black Friday.” With that in mind, let’s
take a look at our person’s spending pattern in November (Figure 1-9). As expected, a
massive spike in purchases occurred on Black Friday, some of them quite expensive.

7
Another random document with
no related content on Scribd:
n-lage, 1. Hinterhalt, Nachstellung, verdeckter Angriff, insidiae. 2.
Anliegen, heftiges Bitten.
n-lagen, 1. nachstellen, insidiari, mit Dat. u. Acc. 2. bittend angehen,
dringend bitten.
n-lager, Widersacher, hinterlistiger Feind, insidiator.
n-lagich, hinterlistig, insidiosus.
n-laginge, Nachstellung, Hinterlist, insidiae.
n-landen, -lenden, sich am Ufer anlanden, von der Alluvion.
n-langen, 1. antasten, angreifen. 2. (gerichtlich) belangen, klagbar
werden gegen jemand. 3. verlangen, bitten; auf-, vorfordern. 4.
betreffen (mit Dat.). 5. Unpers. es gelangt an mich, kommt mir zu
Ohren.
n-langinge, 1. Angriff; Klage. 2. Ansuchung, Bitte.
n-lât, m. Compromiss.
n-laten, refl. mit Gen. sich auf etwas einlassen, unternehmen.
n-lêgen, an-, belügen.
n-leggen, 1. anlegen. 2. auflegen, anthun. 3. planen, festsetzen. 4.
anlegen, anwenden (Geld etc.). 5. angreifen. 6. von Pferden etc.: in
den Stall führen. – Zuweilen verwechselt mit anliggen.
n-legger, Anstifter, Urheber.
n-legginge, Stiftung; Anlage (Aufwand an Kosten für Bauten etc.);
Geldanlage.
n-liggen, anliegen, bedrängen (mit Dat.), dringend mit Bitten
angehen.
n-ligger, Ankläger, actor, accusator.
n-lopen, 1. intr. anlaufen, 2. trans. jem. anlaufen, angreifen.
n-merken, 1. aufmerksam sein, aufmerksam anhören. 2. bemerken.
n-moden, zumuten, Forderung an jem. stellen. Bes. mit Partic.
anmoden(de) wesen.
n-naken, sich näheren.
n-name, -neme (angename), genehm, angenehm, lieb.
n-namen, sw. v. 1. annehmen. 2. unternehmen.
n-namichliken, dankbar, gratanter.
n-negest, zuletzt, novissime.
nneke-, ankevader, -moder, Gross-vater, -mutter.
n-nemen (oft = einfachem nemen,) ergreifen; bes. (venklik) a.,
verhaften. Refl. über sich nehmen, unternehmen, zu Herzen nehmen.
n-nemer, Unternehmer, Urheber.
n-nemingsbrêf, Verhaftsbefehl.
n-oldern, von den Eltern erblich zufallen (z. B. Land etc.).
n-part, n. Anteil; na a., nach Verhältnis, Quote.
n-raken, anrühren, antreffen; erreichen; anstiften.
n-rêden, anrichten, bereiten.
n-regen, s. an-rogen.
nreisen, anreizen.
n-reisinge, Anreizung.
n-reken, anrechnen.
n-richten, 1. verfertigen, machen, einrichten, zurichten, disponere;
Speisen anrichten, die fertig gekochten Speisen auf Schüsseln etc.
ordnen und aufsetzen. 2. berichten, die Richtung geben, unterweisen,
belehren, dirigere.
n-richter, 1. (hölzerner) Löffel. 2. Anstifter, nam. einer bösen That,
Übelthäter.
n-richtich, thätig, geschäftig, agilis.
n-richtinge, 1. Unterweisung, Belehrung. 2. Execution, Vollziehung.
n-riden, anreiten, d. h. reitend angreifen.
n-ropen, anrufen; schelten.
n-rogen, -regen, anrühren, in Bewegung setzen; bildlich: antreiben,
auch im Wege Rechtens wozu veranlassen, belangen.
n-roginge, Anregung, Betreiben.
n-roren, anrühren; bildlich: angehen, betreffen (meist mit Dativ).
n-ruchte, böser Ruf.
n-ruchtich, berüchtigt, nicht in gutem Rufe stehend.
n-rumen, einräumen, gestatten.
n-sage, Anspruch, Einspruch.
n-saken, Klage führen.
n-sate, Einsetzung, fundatio.
n-saten, ansetzen.
n-schar, seichtes Wasser am Ufer.
n-schêten, daran stossen, grenzen.
n-schîn, n. 1. Angesicht, Antlitz. 2. Gegenwart, in a., angesichts,
gegenüber.
n-schot, n. Anschuss, was an Land das Wasser absetzt;
anschiessendes Landstück, die an das Gemeindegut etc.
anschiessenden oder angrenzenden Zubehörungen; daher: Grenze,
Rain, Uferrand, Leinpfad. – Bildlich: Anstoss, Anflug.
n-schrage, Seitenstütze, Strebepfahl.
n-schrî, Anschrei.
n-schunde = anschundinge.
n-schunden, anreizen (zum Bösen).
n-schundinge, Anreizung (zum Bösen).
n-sedel (anesetel), m. Ansiedelung, habitatio, domicilium.
n-seggen, 1. ansagen, melden. 2. von Obrigkeitswegen ansagen,
befehlen. 3. beschuldigen. 4. = in-seggen, einreden, Einrede,
Einspruch thun.
n-sên, 1. ansehen, bes. freundlich, gnädig ansehen. 2. in Betracht
ziehen, sich kümmern um etwas. Part. angesên, adv. in Hin-,
Rücksicht auf, angesichts.
n-sener, der etwas ansieht, Rücksicht nimmt.
n-sete, n. der eigentümliche Besitz eines unbeweglichen Erbes, bes.
worauf man sitzt. – s. auch angesete.
n-setten, 1. ansetzen. 2. anordnen, einrichten. 3. einsetzen.
n-setter, Anstifter.
n-settinge, Einrichtung, Anordnung, constitutio.
n-sichte, n. (u. f.) Angesicht, Antlitz.
n-sichtich, ansichtig, a. werden (mit Acc.) gewahr werden,
conspicere.
n-sichtiger, der etwas ansichtig wird.
n-sinnen, ansinnen, zumuten; gew. im Partic. ansinnen(de).
n-slach, 1. Angriff, Einfall. 2. Plan. 3. Anlage eines Wehres.
n-slân, 1. anschlagen; einschlagen (z. B. Pfähle durch den Fluss zur
Anlegung eines Wehres). 2. bildl. beginnen, anfangen. Intrans. an die
Küste schlagen, getrieben werden; gedeihen, wirken, Wirkung
äussern.
n-smekinge, (Ein)schmeichelei.
ns-lôk u. as-lôk, eine Varietät von allium ascalonicum, Aschlauch,
Johannislauch.
n-sniden, anschneiden; einschneiden (z. B. Wappen.)
n-soken, ersuchen, angehen, bitten.
n-spannen, anschnallen.
n-spechtich = in-spechtich. a. werden, gewahr werden.
n-spien, anspeien; bildl. hohnsprechen.
n-spisen, anfangen zu speisen.
n-sprake, 1. Ansprache. Zureden. 2. rechtlicher Anspruch. 3.
Beschuldigung.
n-sprakech, was (rechtlich) angesprochen wird; a. maken, etwas
beanspruchen.
n-spraken, schw. v. Anspruch auf etwas oder gegen jemand erheben.
n-sprakinge, An-, Einspruch.
n-sprekelik, leutselig, affabilis.
n-spreken, 1. anheben zu sprechen. 2. anreden; besuchen,
convenire. 3. beschuldigen, Anspruch gegen jemand erheben, klagen,
impetere zum Kampfe ansprechen, herausfordern.
n-spreker, der Anspruch erhebt, Kläger.
n-sprekinge, Ein-, Zureden.
n-sprengen (-springen, -sprongen), anspringen gegen jemand;
bildlich: angreifen (bes. mit Worten).
n-sprunk, Ansprung, Anfang.
n-staden = anstedigen.
n-stân, I. intrans. anstehen, fest an etwas sein; anfangen, beginnen,
von einem bestimten Termine an laufen (von Zinsen); bevorstehen,
zukünftig sein; geziemen, passend sein. II. trans. antreten an jem.
oder etwas.
n-stant, (Waffen)stillstand.
n-staren, mit festem Blicke betrachten.
n-stedigen, festsetzen, einrichten, constituere.
n-stedinge, Einrichtung, Anordnung.
n-steken, 1. anstechen (mit Sporen; anspornen). 2. anbrechen,
öffnen. Öfters verwechselt mit ansticken.
n-stendich, a. wesen, zustehen, zugehören.
n-stellen, anordnen, stiften; refl. sich betragen, sich zeigen; sich
stellen, gebärden.
n-sterven, durch Erbgang oder Todesfall auf jemand kommen.
n-sterflik, was angeerbt (angestorven) ist.
n-stichten, anstiften.
n-sticken, anzünden.
n-stoker, Anzünder; bildlich: Anschürer, Anstifter.
n-storten, anstürzen, hereinbrechen.
n-stôt, Anstoss, heftiger Anfall, impetus.
n-stoten, 1. anstossen. 2. anheben (vom Gesange etc.)
n-striken, anstreichen.
nt (anet), Plur. ânte, ânde u. ende, Ente.
n-tal, m. (selten f.) 1. Anzahl. 2. Anteil, Quote, Rate, portio. na a., im
Verhältnis, gleichmässig, pro portione.
n-tale, f. Anrede.
n-talen, sw. v. anreden; ansprechen, gerichtlich verklagen,
beanspruchen.
n-talich = antal.
n-tast, Angriff.
n-tasten, 1. angreifen (mit der Hand, mit Waffen). 2. ergreifen,
übernehmen. Im rechtlichen Sinne: die Hand an oder auf etwas legen,
um es in Besitz zu nehmen, wie angripen.
nt-drake, Enterich.
nt-ei, Entenei.
n-teken (= -tekenen), anzeichnen, angeben.
n-têl = antal.
n-tên, 1. anziehen (ein Kleid), induere. 2. beibringen, anführen. Refl.
1. sich anziehen, auf sich nehmen, sich annehmen. 2. beanspruchen,
als Eigentum in Anspruch nehmen. 3. sich berufen auf.
n-tengen, anfangen.
ntêr – antêr (= antwêr), entweder – oder (vgl. antêren = antwerden,
-worden).
nt-hete (= ent-hete), Versprechen, Gelübde.
n-tien, (an-zeihen), Schuld gehen, beschuldigen, bezichtigen;
beilegen. (an-tien, -tigen, prodere, indicare, demonstrare).
ntiffe(n), die Antiphone.
nt-lât, Unterlass, ân u.
ntlât, n. Antlitz, Angesicht; Maske.
ntlâtliken, von Angesicht zu Angesicht.
n-toch, Anspruch; sunder a., ohne deshalb (gerichtlich) belangt zu
werden = frei, ungehindert.
n-togen, anzeigen, melden.
n-toginge, Anzeige.
n-tonen, anzeigen; citieren.
nt-pôl, Entenpfuhl, -teich.
n-trecken, anziehen; bildlich: auf jem. etwas bringen, ihm Schuld
geben.
n-trede, Antritt, Schwelle.
n-treden, 1. intr. antreten, beginnen. 2. trans. (feindlich) antreten,
angreifen; im rechtlichen Sinn: ansprechen, – betreffen, angehen (mit
Dat. u. Acc.)
n-tucken, -tocken, rasch und heftig anziehen. Bildlich: 1.
heranziehen, an sich ziehen, anlocken. 2. an sich, auf sich reissen,
sich einer Sache eifrig annehmen.
nt-vlot, Entengrün, Teichlinse.
nt-vogel, Ente, bes. der Enterich.
ntwêr = entwêr, entweder.
ntwêr = antwerde, antworde.
ntwerdes, adv. in Gegenwart.
ntworde, -wort, -werde, -wert, -warde, n. 1. Gegenwart; to
antwerde sîn, gegenwärtig sein. antworde oder in antworde, in
Gegenwart, coram. 2. Antwort; im jurist. Sinne: die Gegenrede,
Einrede des Beklagten (zuweilen auch fem.).
nt-worden, -werden, -warden, sw. v. 1. gegenwärtig machen,
presentare; sik a. sich persönlich stellen. – aus-, überliefern. 2.
antworten, auf eine Frage, eine Klage; verantwortlich sein, einstellen;
entsprechen, gleich sein.
nt-worder, -werder, der Beklagte.
nt-wordesman, der Beklagte.
n-val, ane-val, an-geval, -gevel, 1. Zufall, accidens, casus; bes.
böser Zufall, Unfall, überh. was einem zustösst, begegnet, meist im
schlimmen Sinne. 2. Angriff (im Kriege). 3. im rechtl. polit. Sinne:
Gebührnis, Gefälle, Einkünfte, Einkommen; was einem als Erbschaft
zufällt, devolucio; hereditatis portio, Erbgut; Erbe oder Loos in der
Waldgemeinde; die Exspectanz, Anwartschaft auf ein Erbe, bes. die
Nutzung des Lehns durch den Lehnsherrn während der
Minderjährigkeit des Belehnten, usus feudi, vacatio.
n-vallen, 1. intr. (mit Dat.) zu Teil werden, zufallen, vom Erbgute,
devolvi. 2. trans. feindlich (gerichtlich) angreifen; freundlich, bittend
angehen. 3. = in-vallen, einfallen, Einfall haben.
n-vallich, -vellich, 1. was anfällt und überrascht, plötzlich. 2. durch
Erbschaft anfallend.
n-vallichliken, plötzlich.
n-vangen, 1. angreifen, anfassen, verhaften; in Besitz nehmen; bes.
eine (entwendete) Sache durch Anpackung derselben als die seine
ansprechen. 2. Anspruch, Klage erheben (jem. gerichtlich anfassen).
n-vank, 1. das Anpacken, der Angriff. 2. die Besitzergreifung, die
Ansichnahme einer (entwendeten) Sache als der seinigen, vindicatio.
n-vanzen, angreifen.
n-varen, losfahren gegen jem., Gewalt gebrauchen, irruere.
n-varinge, Gewalt, Gewaltthätigkeit.
n-vechten, angreifen.
n-vechter, Angreifer.
n-vechtigen = anvechten.
n-vechtinge, Angriff, bes. des Teufels.
n-veiden, -veden, anfehden, angreifen.
n-venknis, Angriff.
n-verden und an-verdigen, 1. angreifen, anfallen, impetere,
invadere. 2. festnehmen, hindern, arrestieren.
n-verdinge und -verdiginge, Angriff, Überfall.
n-vloiten, anflöten, verhöhnen.
n-vlôt = invlôt, Einströmung; bildlich: Einfluss.
n-vorderen, etwas von jem. fordern.
n-vratemen, anatmen, anhauchen.
n-vuren, anzünden, anfeuern, antreiben.
n-vurich maken, anzünden, anfeuern.
n-vurigen, adv. feurig.
n-wachtinge, Anwartschaft.
nwal, freier Platz, der zu einem Gehöfte hört?
nwalt, Advocat, procurator.
nwanch = anvank.
n-warde, anewarde, f. 1. Anwartschaft, Exspectanz auf ein Erbe. 2.
Wartung, Pflege?
n-warder, Anwärter.
n-wardinge, Anwartschaft, respectus hereditarius.
n-waringe, Warnung.
n-wedden, in Pfandschaft nehmen. vgl. in-wedden.
n-weddinge, Pfandschaft.
n-weden, anbinden.
n-wegen, besonders betreffen? (von Wichtigkeit sein für?)
n-weldigen, kraft des Gesetzes in den Besitz eines Gutes setzen,
einweisen – refl. sich gewaltsam in Besitz setzen, vgl. in-weldigen.
n-, anewende, Pflugwendung, das Ackerstück, auf dem man beim
Pflügen wendet.
n-wenden, zukehren, zufügen.
n-, anewerden, 1. Lust zu etwas haben, sein Auge auf etwas werfen,
begehren, concupiscere. 2. sich gewöhnen an etwas, assuescere.
n-, anewert, Lust, Begierde.
n-werken, anwirken, anthun, zufügen.
n-werkinge, Anwendung (Anthun).
n-werpen, anwerfen; eilig anziehen.
n-werpinge = in-w., Einwurf, Einwendung.
n-werven, ein werf, Geschäft bei jem. ausrichten, ein Anliegen
vorbringen.
n-winden, an-, aufwinden; refl. mit Gen. sich eines Dinges
unterwinden, es an sich nehmen.
n-winnen, in Dienst nehmen.
n-wisen, 1. mit Fingern auf jem. zeigen. 2. unterweisen, belehren,
Rechtsbelehrung geben. 3. einweisen in den Besitz, zuerkennen. (Ggs.
af-wisen).
n-wiser, Lehrer; Ratgeber.
n-, aneworp, 1. Metallbeschlag an Fenstern, Thüren etc. 2. eine
Augenkrankheit.
n-wuchen, anschreien.
n-zwacken, antasten, anfallen.
pe, m. und f. Affe; Narr.
peldern, Ahorn, Alhorn, Acer campestre.
pen, sw. v. äffen, zum Besten haben, verspotten.
pen, offen. S. open.
pen-ärseken, Mespilus germanica.
pen-blat, welche Pflanze?
pen-geter, eine Art Kannengiesser; in der Rangordnung der Giesser
stehen sie zuletzt; sie machen die kleineren Sachen und die
Flickarbeit.
pen-spil, Affenspiel, Geckerei.
perie, Äfferei, Thorheit.
polle, appolle, -pulle, eine grosse Kanne, beim Gottesdienst und
auch sonst gebräuchlich, aus lat. ampulla.
post, Apostat.
postelpert, scherzhaft = Fuss.
ppel, m. Apfel. nicht en a. = gar nichts.
ppel-blome, rubiola (ein blom in deme korne).
ppel-bôm, Apfelbaum.
ppel-drank (odromellum = idromel), Äpfelwein.
ppel-grat, malum granatum vel potus granatus.
ppel-grawe, apfelgrau, spadix, color equi.
ppel-hoke, Apfelhöker.
ppel-môs, Apfelmus.
ppel-schelle, Apfelschale.
ppel-schute, Apfelschiff.
r (are, arn), f. Ähre.
rbeiden, sw. v. 1. intr. Not, Mühe, Beschwerde haben, sich plagen,
sich bemühen um etwas. 2. trans. bearbeiten (Garten, Acker), ên pert,
zum Arbeiten verwenden, strapazieren; den wech, reisen (travailler);
plagen, betreiben.
rbeidelik, mühsam, Mühsal verursachend, laboriosus.
rbeiderne, zum Arbeiten geneigt, arbeitsam. s. -erne.
rbeidesman, Arbeiter.
rbeit (Genus wechselnd; selten f.) Mühe, Not, Beschwerde; bes. die
Anstrengung Gebärender, Kindesnöte.
r-bêr, (Ähren- oder Erntebier?) eine Art Weizenbier.
rch, arich, schlecht, böse, schlimm (nicht bloss im moral. Sinn); bes.
mit dem Begriff des schädlichen, nachteiligen. – Superl. argeste,
ergeste, als subst. Schaden, Nachteil.
rcheit (aricheit), Argheit.
rchelie s. arkelei.
rch-gelovich, arges glaubend, argwöhnisch.
rch-gunner, Misgönner, Feind.
rchinge = arginge, Böses, Ärgernis.
rch-wân, Argwohn, Verdacht.
rch-wânen, argwöhnen, vermuten.
rch-wânich, argwöhnisch; pass. verdächtig, suspectus. a. holden, in
Verdacht haben.
rch-willigen, gegen jem. arges sinnen.
rch-willinge, böser Wille.
rden, sw. v. arten, geraten, gedeihen.
rdich, Art habend, vortrefflich.
rdicheit, Vortrefflichkeit.
rdigen, sw. v. bebauen.
rdinge, Bestellung des Ackers.
re = nare, Narbe.
ren, pflügen, s. eren.
rent, Adler, s. arn.
rgelik, schlecht.
rgen, sw. v. beschädigen, Schaden zufügen.
rgeren, ergeren, sw. v. 1. schlechter machen, verschlechtern,
beschädigen. 2. refl. schlechter werden; im sittl. Sinne: sich ärgern,
Anstoss woran nehmen.
rgeringe, ergeringe, 1. Verschlechterung, Beschädigung. 2. Ärgernis,
Anstoss.
rgerlik, Anstoss erregend.
rgueren (arweren), disputieren, Einwendungen machen.
rink- (aringe-) pennink?
rk, Bogen Papier.
rke, f. 1. bei den Mühlen die Einfassung von Holz, kastenähnliches
Gerinne des Wassers. 2. überh. Kasten, Sarg.
rkel, 1. Ring, arculus. 2. Bogen Papier.
rkelei, Artillerie; Schiessmaterial.
rkener (arkenel), erkener, erker (erkel), m. (Bogenbau) Erker,
Brustwehr, propugnaculum, menianum; bes. an der Burg- oder
Stadtmauer.
rm, m. Arm.
rm, arm, mittellos; von geringem Stande (s. armman), elend,
unglücklich.
rm-boge, Armring, -band.
rm-, amborst, -bost, n. Armbrust, Bogen zum Pfeilschiessen.
rmborsterer, -bosterer, Armbrustmacher.
rmborst-winde, eine Winde, um die Armbrust zu spannen.
rme-holt, Armholz, aus dem die Arme des Mühlrades geschnitten
werden.
rme-lit, Plur. -leden, Armschienen.
rmink, arm, unglücklich, elend.
rm-jope, Bekleidung des Armes, als Stück der Rüstung, dextrale.
rm-kluve, Armklobe, Armfessel.
rmlike, ärmlich.
rm-man, Mann von geringem Stande; bes. Bezeichnung des
(bäuerlichen) Unterthanen, Ggs. here.
rmoden, sw. v. arm werden.
rmôt, -mode (Genus wechselnd), Armut; und concr. die armen Leute.
rm-schene, Armschiene (als Bekleidung, Rüstung).
rm-tuch, Armbekleidung (Armzeug).
rm-wapent, (eiserne) Bekleidung des Armes, dextrale.
rn, Ecke, Spitze, äusserster Punkt (holl. erne).
rn, arne, arnt, arent, m. Adler; in Zusammens. (z. B. dûf-arne u. a.)
das Männchen.
rne, erne (arn, aren), f. Ernte. St. Peter in der arne = 1. Aug.
rnemeiger, Erntemäher.
rnen, sw. v. ernten.
rnsch, von Arnheim.
rone, Arum maculatum.
rrasch, -ras, arresch, -res (arsch, ardesch), eine Art dünnes,
wollenes Gewebe, nach dem Fabrikationsorte Arracium (Arras)
benannt; arracium, pannus atrebaticus; jetzt: Rasch.
rresteren, sw. v. anhalten, mit Beschlag belegen.
rresteringe, Beschlagnahme.
rs (ers), m. der Hintere, podex.
rs-bille, Hinterbacke.
rs-pilcher, Knötlein im Hintern (ars-pillelen).
rs-wîp.
rs-wisch.
rste, Arzt.
rstedie (arsedie), Arzenei.
rstedien (arsedien), sw. v. die Heilkunst üben, curieren, medicari.
rstedier, so heisst der vierte Finger (dar de arsten de wunden mede
betastet).
rsten = arstedien.
rstenien = arstedien.
rsten-lôn, Arztlohn.
rt (zu aren, eren), f. 1. das Pflügen, die Ackerbestellung. 2. das
geackerte Land, Land überh. 3. Abstammung, Herkunft, concr.
Abkömmling, Kind.
rtelei (attelrie), Artillerie.
rt-, (ar)haftich, angebaut, fruchtbar.
rtich, s. ortich.
rt-land, Ackerland.
rve, arven, s. erve, erven.
rwêren (= lat. arguere), streiten, disputieren.
rwete, Erbse. s. erwete.
s, n. 1. Aas, Fleisch eines gestorbenen Wesens, Leiche. 2. Speise der
Tiere = ât.
sch(e), m. = nasch, Behältnis, Schüssel, Dose u. dgl.
sche, f. Asche.
sche-balge, Aschbehälter.
sche-dach, Aschermittwoch.
schel-, (askel)woensdach, Aschermittwoch.
schenbernen, zu Asche brennen.
scher, ein Küchengerät? (Aschfass? Aschenschaufel?)
scher, ascherich, in oder auf Asche gebacken (Brot), cinericium.
scher-, (asker)varwen, aschfarbig.
schonier, Wein aus der Gascogne.
se, asen, Ort, wo man das Fleisch zum Dörren aufhebt, suspensiva,
siccarium.
sege (asega, asige, asge), Recht-sprecher, Richter.
sege- (aziges-, asing-, asege-, asega-, asge-, aes-)bôk,
Richtbuch, Gesetzbuch.
sen, sw. v. atzen, speisen. (Jetzt zu âs 1 = im Schmutze
herumwühlen.)
sk, asch = nask, nasch, Behältnis, um etwas aufzubewahren, bes.
kleine Dose, Schachtel.
s-kule, Aasgrube.
sle, assel, f. Achsel.
snen (hasnen), m. Lohn, Miete, Heuer. s. menasle.
soe, Wein aus Auxois in Burgund?
sse, f. Achse.
ssute? s. ossute.
stinne = arstinne, Ärztin.
strak (alstrak, asterik, astrik, esterik, esterink, afstrik), n.
Estrich, Fussboden, pavimentum; bes. aus Fliesen oder Ziegeln; die
Fliesen, Steinplatten selbst.
straken, sw. v. den Fussboden mit Fliesen etc. belegen.
sturich, (nicht zu steuern oder zu wehren), unlenksam, gewaltsam;
von Sachen: gewaltsam genommen.
sturigen (asturliken), auf gewaltsame Weise.
swik (= afswik), a. dôn, von etwas lassen, in Stich lassen, nicht thun
wollen, heimlich weggehen.
t, n. Speise; bes. Futter für die Schweine, Malztreber etc., silique.
t-korn, Korn (Getreide) zum Essen; Ggs. sât-korn.
t-kuven, Kübel, um das ât aufzunehmen.
tmen, âtem, m. Athem; seltenere Form für adem.
ttelas, Atlas.
t(te)lask, von Atlas, atlassen.
ttependium, d. i. antependium, eine Tafel (aus Holz oder Metall, oder
auf einen Rahmen gespannte Stickerei), die zum Schmucke des Altars
vor die Front desselben gestellt wird.
urine, Erythraea centaurium, Tausendgüldenkraut.
ust (oust, ouweste, owst), m. der Augustmonat; Ernte.
ven, Ofen, s. oven.
venant, abgek. aus advenant Verhältnis.
vent, m. 1. Abend. 2. der Tag vor einem (kirchlichen) Feste.
vent-brûtlacht, Abendhochzeit.
vent-danz, Tanz am Abend.
vent-eten, Abendessen.
vent-gave, -geve, Gabe, die der Bräutigam der Braut am
Hochzeitsabend gibt, sonst: morgengave, dotalia.
ventlank, -linge, avelinge, (heute) zu Abend, vespere.
ver, s. over.
ver (avers, averst), abermals, wiederum.
verecht? (in der Weberei).
wete, von Agat?
wise und afwise, falsche, irrige Weise, Thorheit, Narrheit, absonantia,
insolentia, mania.
wisen, sw. v. Thorheit treiben, insolescere.
wisich, gegen die (richtige) Tonweise; dyssonus, absonus; thöricht,
närrisch, unsinnig, maniacus, vesanus, absurdus.
wisicheit = awise.
witte, Verstandeslosigkeit, Dummheit.
B
abbeler, m. der rasch und unverständlich spricht, Plapperer.
ach, f. Bach (selten; gew. beke).
ach, m. lautes Prahlen, Rühmen, Hoffart.
ach, m. Rücken (= bak).
achminte, die Pflanze oculus consulis.
achstake (richtiger: back-stag,) Plur. die einzelnen, schweren Taue,
welche von der Spitze des Mastes (hinter dem Want) heruntergehen.
achten (bachter) = be-achten (be-achter), hinten; als Subst. der
Hintere.
ackbord, an b., links vom Schiffe; überh. links.
ack-harst, s. pottharst.
ackels, n. soviel als man zu einer Zeit backt, in den Ofen schiebt.
ackel-touwe, Bäckergerät.
acken, st. (u. sw.) v. backen (Brot; Ziegelsteine).
ackenêl, beckenêl, eiserne Kopfbedeckung (als Rüstzeug), Helm; als
Küchengerät: (kleiner) eiserner Topf?
acken-krût, gebackenes Gewürz; Gewürzkuchen, Confect;
electuarium.
ack-hûs, Backhaus.
ack-meister, der die Leitung des Backwesens hat, der Oberste der
Bäcker; Haushalter in einem Hospital.
ack-werk, das Bäckergewerk, Bäckerinnung; Gebackenes.
ade-becken, Bade-, Waschbecken.
ade-budde, Badebütte, -wanne.
ade-budel, Badebeutel.
ade-gode, Taufpathin.
ade-hôt, Badehut (-hose?)
ade-kappe, Bademantel.
ade-kuve, Badewanne.
ade-lôn, Geld zum Bade (als Trinkgeld).
ade-moder, Hebeamme.
ade-mome, -momesche, -mone, Hebeamme.
ade-quast, die aus (Birken-) Reisern gebundene Rute, der
Laubbüschel, mit welchem der Badende die Scham bedeckte und sich
peitschte.
ade-rôf, die Decke, dachartiges Gestell, über einer Badewanne;
tectura dolei.
ade-stên, erwärmter Stein in den Badestuben zum Heissmachen der
Badelaken? oder zum Reiben? (badestein edder ryffstein, pumex).
ade-, badstove (bastove), Badestube, s. stove.
ade-, badstover (bastover), Bader, s. stover.
age, s. boge.
agen, sw. v. bach treiben, rühmen, pralen, hoffärtig sein.
ager, Ring? (mit einem Edelstein?)
ageren, sw. v. pralen.
aggert (baghard, -ghert, big-hard), Laienbruder, dem weiblichen
begine entsprechend.
aie, ein Kleiderstoff, Boje (grobes, dichtes Wollenzeug, meist von roter
Farbe).
ak (bach), m. Rücken; (Hinterbacke, Hintere).
ak, n. (hölzernes) Gefäss, Trog, Mulde.
ake, f. Speckseite, perna; auch = Schinken, podex.
ake, f. Stange, oben mit Stroh etc. versehen, um gegebenen Falles
rasch in Brand gesteckt werden zu können, Fackel, Feuerzeichen;
Leuchtfeuer (für Schiffe); jedes aufgerichtete Zeichen (um die
Richtung des Weges zu bezeichnen).
aken, sw. v. mit Baken bezeichnen.
ákeren, sw. v. gelinde erwärmen; bildlich: warm halten, gut pflegen.
bak-), backisern, Backeisen, d. h. Eisen (eisernes Gerät) zum Backen
von Kuchen.
ak-lôp, Tritt, Sprung auf den Rücken.
ak-sone, Sühne, Vergleich ohne Zuziehung des Gerichtes.
ak-stert, Bachstelze (= wak-stert).
ak-vank, Rückgriff, Zurückfassen.
ak-wascher, der jemand hinter seinem Rücken verleumdet.
ak-wordesch, hinterrücks gesprochen.
ak-wort, Wort, das man hinter jemandes Rücken spricht.
al-, schlecht; nur in Compositionen.
al (bale), m. 1. Ball, 2. Ballen, die schwielige Rundungen Fuss u.
Hand. 3. Ballen (Ware etc.), Bündel. (In dieser Bedeutung gew. bale).
alch, ballich, m. Balg (Umhüllung der Seele, Körper); Blase-balg.
alch-penninge, Geld, das man in den Berghütten zur Unterhaltung
der Blasebälge gibt.
alde, s. bolde.
aldeke, s. boldeke.
alderen, sw. v. einen lauten, harten Schall verursachen.
ale, balen = bole, bolen.
ale-munden, jem. für einen bale-munt d. h. für einen schlechten
Vormund, und damit aller Vormundschaft für verlustig erklären.
alge, ballige (balleie), f. 1. Kufe, Wanne kleinerer Art, bes. für Milch.
2. Vertiefung im Watt, die auch bei Ebbe voll Wasser bleibt und als
Fahrwasser dient. 3. überh. Rinnsal, Wasserleitung.
alget, noch in der Scheide befindlich (vom Schwert).
aliun, balliun, frz. billon, geringhaltige Silbermünze; überh. Silber
oder Gold, welches nicht den gesetzlichen Feingehalt hat.
alke, m. 1. Balken. 2. Korn-, Heuboden, der oberste Boden, die Decke
des Zimmers. 3. Wagebalken.
alken-sluker, der Balken verschluckt, der Ofen.
al-last, m. und f. unnütze, schlechte Last (um dem Schiffe den nötigen
Tiefgang zu geben).
allasten, sw. v. mit Ballast beladen; dann überh. beladen.
allaster, Ballastschieber, der den Ballast in die Schiffe (oder aus den
Schiffen) bringt.
allik?
allieringe, Tänzerin (baleeren, tanzen, ballare).
allink, s. banlink.
allingêr(e), eine Art (Kriegs)schiff, balanerius, flandr. balengiere.
al- (bel)mundich, der schlechten oder keinen Schutz hat; b. ist ein
Hausgenosse, der seines Hofrechtes verlustig geworden ist.
alnier = ballingere?
al-ruse, Ball-Reuse; eine gewisse Art Fischreuse.
alsemen, sw. v. einbalsamieren.
alsk, m. (schlechtes Treiben?)
al-sturich, der schwer zu lenken ist, unlenksam, unbändig, aufsässig.
alt, baltlike, s. bolt.
ammeln, s. bimmeln.
an, m. Gebot unter Strafandrohung, bes. 1. die dem geistlichen oder
weltlichen Richter und Bannherrn zustehende Gewalt. 2. die von
diesem (bes. dem geistl. Richter) verhängte Strafe. 3. Bann, als
Anlegung eines Arrestes oder gerichtlichen Beschlages.
ane, f. Bahn, freier Raum (zum Gehen etc.).
ane, f. Busse für einen begangenen Mord, bes. der Teil, der der
Schwertseite zufällt.
ane-bote, Mordbusse.
ange, adj. u. adv. bange; als subst. Angst, Beengung.
angeraden, sw. v. in Angst setzen, angere, angustare.
angicheit, Bangigkeit, Angst.
ank (banke, benke), f. Bank, bes. die Gerichtsbank. (Das alte Gericht
wurde durch vier Bänke gebildet.) – dorch (in) de bank, ohne
Unterschied, allesammt, ohne Ausnahme.
ank-bove, Bankbube, der gern auf der Wein-, Bierbank sitzt.
ank-hart, ausser der Ehe erzeugt, Bankert.
ank-laken, Tuch zur Bedeckung der Bank, tapetum scamnila.
ank-pol, Bankpfühl, -küssen.
ank-rese, der immer auf der Bank liegt, fauler Schlingel.
ank-werk, Bankpfühl, stroma.
anlink, m. assim. ballink, Verbannter.
an-mile, Meile, innerhalb deren es nur dem Berechtigten Geschäfte zu
betreiben erlaubt ist (Bereich des Marktschutzes etc.)
annen, st. v. (Partic. auch schw.) 1. in den Bann thun,
excommunicieren. 2. durch Fluchformeln herbeirufen (z. B. den
Teufel); fluchen überh. 3. bannen, von Seiten des Gerichtes mit Arrest
oder Beschlag belegen; verfesten; die Verletzung eines Gesetzes etc.
mit Strafe belegen.
anner(e), bannir, (Geschl. wechselnd), Banner, Fahne.
annere, m. Banner-, Fahnenträger.
anner-here, der ein eignes Banner erheben kann, oder mit fremdem
Banner belehnt ist, baro.
anner-vorer, Bannerführer, -träger.
anner-lôp, Aufzug mit Fahnen.
annich, der im Banne befindlich ist.
anros (flandr.), Bannerherr.
ant, m. Band; Strick des Henkers; Tonnenband, Reif; als
Kopfbedeckung: morisch b., türkischer Bund, Turban; bildlich: Bund,
Bündnis.
ant-holt, Holz zu Reifen.
ant-houwer, der (Tonnen)reifen haut, verfertigt.
ant-staken, Bandstecken (zu Dochten) d. h.?
ant-stên, Stein zur Einfassung.
an-vorst, Bannforst, in welchem nur dem Berechtigten zu jagen
erlaubt ist.
an-wîn, Wein, der im Einzelverkaufe zu verschenken nur Berechtigten
gestattet ist.
ar, nackt, bloss.
arasien = borrasien.
arât, n. Pracht, Herrlichkeit (aus lat. ap-paratus?)
ar-bênde, nackt-beinig, barfuss.
arberer u. balberer, Barbier.
arch (barg) und berch, m. Scheune ohne Wände, Schutzdach auf
Pfosten ruhend.
arch-gelt, Berge-geld, -lohn.
arde, f. breites Beil.
arden-helf (-helft), Stiel einer Barde.
ardesân, Partisane.
ardese, s. barse.
ardûn, Tenor (im Gesang); als musikalisches Instrument (Pardaune,
Bourdon).
are (bâr), m. Bär.
are, baren, s. bore, boren.
are, f. Woge, Welle.
are (fries.), Klage vor Gericht.
are, f. das Giesshaus, die Bleischmelze für die Salzpfannen (in der
Saline); der Aufseher (überh. der oberste Beamte) heisst:
bar(e)mester, magister salinarius.
arehaft, schwanger.
aren (fries.), sw. v. offenbaren; klagen, verklagen.
arende, fruchttragend.
aren-hût, Bärenhaut.
aren-krût, Bärenklau, Heracleum sphondylium.
aren-leider, Bärenführer.
areschop, Geburt.
are-sprake, Anklage, (s. bare).
arewen, sw. v. offenbaren, zeigen.
arie = bare, bore, Bohrer.
arille = berille, brille.
arillensêer, der durch ein Wahrsagerglas (barill, brill) sieht =
kristallenkiker.
aringe, s. boringe.
arkhôn (-hân), Birkhuhn.
ar-licht, Licht auf der Totenbahre oder zur Bestattung gebraucht.
arm, berm, m. Hefe, namentl. des Bieres.
arm, m., berme, f. (in »Deichberme«), Fuss (Sohle) des Deiches,
(aufgehäufte Erde).
arme, Name eines Fisches, cyprinus barbus.
arme, f. Erbarmung.
armelik, Erbarmen erregend, kläglich.
armgrunt, Kopfgrind der Kinder.
armheit, Barmherzigkeit.
armhertich, barmherzig; barmherticheit, Barmherzigkeit.
armich, bermich = barmelik; barmichliken, adv.
armich, Barm, Hefe enthaltend.
arneholt, s. berneholt.
arnen, s. bernen.
arnstên, s. bernstên.
arschinkelt, mit nackten Beinen.
arse (basse), bardese, f. 1. Barke, kleines Last- oder Kriegsschiff
(lang und schnell, dromo). – 2. ein kleines Geschütz, wie man sie auf
den Barsen führte.
ârsen, sw. v. gebären.
arsie, eine Art Helmzier?
artiringe, Tauschvertrag? heimliches Kaufgeschäft? (ital. baratto).
artken (= baretken), Barettchen.
artzig = borczis, bursin.
arwen, sw. v. (= barewen), bâr werden, sich zeigen.
ar-vôt (barvet, barft), barfüssig, überh. nackt.
ar-votes, adv. barfuss.
asch (bask), contr. aus barsch, stark, kräftig (vom Geschmack).
aseler, s. beseler.
aselman, frz. baise-main, Kusshand, zierliche Verbeugung.
aseln, sw. v. (freq. zu basen), unsinnig, kopflos handeln.
ase-, basi-, basment, n. Säulenfuss, Piedestal.
asen, sw. v. unsinnig reden und handeln.
aske-botter, viell. frische Butter (bask = vask, varsk).
asse, s. barse (bardese).
ast, m. 1. Pflanzenbast (zum Binden und Schnüren). 2. übertr. die
Haut des Menschen.
asten (adj. zu bast), bästen.
asten, sw. v. mit Bast binden.
asterich, stockicht, holzicht (bastartig).
astert, Tau, Seil aus Bast.
astert (bostert), m. 1. unächtes Kind; wilder Zweig. 2. ein süsser,
spanischer Wein, vinum bastardum s. spurium. 3. eine Art Tuch.
astove, -stover = bade-stove, -stover.
asune, bassune, f. Posaune.
asuner, Posaunenbläser.
at, n. Bad, oft in übelm Sinne, böses Bad (Unglück).
at, n. Gebot (= bot).
at, bet (adv. zu gôt), besser, mehr, weiter; bet sîn, angesehener sein;
b. mogen, plus valere.
ate, f. Vorteil, Gewinn, Zins.
atelik, batlik, nützlich, förderlich.
aten, sw. v. nützlich, förderlich sein, helfen.
atensnavel, die Pflanze italica (italia, katzenwolffzagel).
at-spreker, einer der besser sprechen kann, Rechtsbeistand.
atzeler (baseler) = baccalarius, bachelier, ein junger Ritterbürtiger.
auet (bouwe), bouwede, f. Ernte.
aven, s. boven.
e-, vielfach bo- (auch bu-); auch abgeschwächt aus bi-.
bê, verkürzt aus -beke in Ortsnamen.
e-achten, refl. sich (mit andern) beraten, s. acht.
e-ambachten, -am(p)ten, ein Amt über etwas haben, verwalten.
eane, aus lat. beanus, Grobian, Tölpel (scholasticus trivialis, barbarus,
banausus etc.)
e-anen, zu Herzen nehmen; eine Ahnung, Vermutung über etwas
haben.
e-anxten, in die Enge, Not, Angst bringen.
e-arbeiden, thätig wofür sein, etwas betreiben. Refl. sich womit
beschäftigen.
e-astraken, pflastern, bedecken mit astrak.
e-ballasten, (mit Ballast) beladen.
e-barmen, bejammern, Mitleid empfinden.
e-bêden, mit einer Abgabe (bede) belasten, eine bede fordern von
jem.
e-bilden, mit einem Bilde versehen.
e-billigen, billigen, gutheissen.
e-binden, verbinden; refl. sich verbinden, ein Bündnis machen. –
bebundene tît, Zeit, wo kein Gericht gehalten wird, Gerichtsferien.
e-bindinge, Verbindung.
e-blanken, s. be-planken.
e-bloden, mit Blut bedecken, blutig machen.
e-bode (-bot), Ladung durch einen Boten.
e-boden, durch Boten zusammenrufen, vorladen, entbieten.
e-bode (bot) schappen, benachrichtigen.
e-bolwerken, mit einem Bollwerk versehen.
e-bonen, mit einem bone (Bühne) versehen.
e-borgen, durch Bürgen Sicherheit stellen wofür.
e-bosemen, 1. die Verwandschaft bestimmen; nachweisen, dass man
zu einer Familie gehört. 2. als Eigenmann in Anspruch nehmen,
Beweis der Leibeigenschaft gegen jem. erbringen.
e-brêden, überbreiten, bedecken.
e-breken, ab-brechen, verkürzen.
e-bremen, verbrämen.
e-brêven, 1. verbriefen. 2. brieflich vorladen.
e-buwen, 1. durch einen Bau jemandes Eigentum etc. benachteiligen.
2. mit Heeresmacht einschliessen, belagern.
eck, m. Schnabel, Maul.
eckbere, Bickbeere, Heidelbeere.
eckede, n. soviel der Bäcker auf einmal backt.
ecken, n. Becken; Schüssel.
ecken-sleger, Beckenschläger, faber pelvium.
ecken-werchte, -werte, -werke = becken-sleger.
eckmuller, Müller, der zugleich Bäcker ist??
e-cruzigen, das Kreuz auf ein Haus stecken, als Kündigung und
Anzeige des Hausarrestes.
e-dacht, eingedenk.
e-dacht, f. Bedenken, Bedenkzeit.
edachte, Prät. zu be-derven.
e-dachtingen = bedagedingen, s. bedegedingen.
e-dachtnisse, s. bedechtnisse.
e-dagen, sw. v. 1. intr. tagen, zu Tage kommen, erscheinen; fällig
werden; zu seinen Tagen kommen, alt werden. 2. trans. einen Tag
festsetzen; zu einem Tage fordern, vorladen; befristen, gegen
Bürgschaft frei geben. – Part. bedaget, von Zinsen und Renten etc.,
deren Fälligkeitstermin bereits erschienen ist.
e-daginge, Fälligkeitstermin.
e-danken, 1. danken wofür. 2. zu Dank verpflichten.
e-dassen?
edde, n. Bett, bes. Braut-, Ehebett; dat b. is broken, eins der Eheleute
ist gestorben; dat b. breken wird auch von der zur zweiten Ehe
schreitenden Witwe (oder Witwer) gesagt.
edde-bringe, die Setzung (des Brautpaares) in das Bett.
edde-kleder, Bettzeug, -gewand.
edde-mome, spöttisch: Concubine.
edde-munt, eine von Leibeignen, die sich verheirateten, oder
fleischlich vergiengen, dem Herrn zu zahlende Abgabe.
edden, sw. v. betten, das Bett machen.
edde-note, -genote, Bettgenossin, Ehefrau.
edde-rede, -redich, bettlägerig.
edde-rese, -resich, -resk, bettlägerig.
edde-schrage, Bettgestell.
edde-sêk, bett-siech, d. i. bettlägerig.
edde-selm, die vordere Seitenwand, das vordere Brett der festen in
der Wand angebrachten Bettstelle.

You might also like