Detekce anomálií je úloha nalezení vzorků, které se výrazně odlišují od většinového chování dat. Zásadně se liší od běžné klasifikace tím, že anomálie jsou vzácné, různorodé a předem neznámé – nelze tedy sestavit reprezentativní trénovací množinu „všech možných poruch“. Proto se zpravidla přistupuje k učení pouze z normálních dat a anomálie se definuje jako to, co se do naučeného modelu normality nevejde. Metod je několik skupin. Statistické vycházejí z odchylky od odhadnutého rozdělení. Metody založené na hustotě a vzdálenosti, například lokální faktor odlehlosti, hledají body v řídkých oblastech. Isolation Forest využívá pozorování, že odlehlý bod lze náhodnými řezy oddělit od zbytku dat po málo krocích. Rekonstrukční přístupy pomocí autoenkodéru označí za anomálii vzorek s vysokou rekonstrukční chybou. Praktickými úskalími jsou definice normality v silně sezónních datech, prokletí dimenzionality a především nastavení citlivosti: příliš horlivý detektor zavalí operátory falešnými poplachy a systém se přestane používat. Typické oblasti jsou podvody, prediktivní údržba, kybernetická bezpečnost a kontrola kvality.
Zkušená zdravotní sestra na oddělení pozná, že s pacientem není něco v pořádku, dřív než přístroje spustí alarm. Nezná seznam všech nemocí světa – zná ale velmi dobře, jak vypadá pacient, který se zotavuje normálně. A odchylku od téhle normality vycítí. Přesně takhle funguje detekce anomálií: nesnaží se naučit všechny možné poruchy, protože jich je nekonečně mnoho a většinu jste nikdy neviděli. Naučí se výhradně to obvyklé a upozorní na cokoli, co se do toho nevejde. Její největší nebezpečí je stejné jako u přecitlivělého alarmu – když pípá pořád, přestanou ho lidé slyšet.