Je werkt met een dataset van trillings sensoren van industriële machines. De data is ruisgevoelig en bevat missing values. Beschrijf stap voor stap hoe je raw data transformeert naar bruikbare features voor een anomalie detectie model. Focus hierbij op Fourier-transformaties om patronen in frequentiedomein te ontrafelen, sliding window technieken voor tijdsafhankelijke variabelen, en dimensionality reduction technieken om de feature set te beperken zonder cruciale informatie te verliezen. Hoe valideer je dat de nieuwe features een significante toegevoegde waarde hebben voor het model?