Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Ein typisches Unternehmen verliert schätzungsweise 5 % seines Jahresumsatzes durch Betrug. In diesem Kurs lernst du, wie du mit Daten gegen Betrug vorgehst. Du erfährst zum Beispiel, wie du überwachte Lernalgorithmen einsetzt, um betrügerisches Verhalten zu erkennen, das früheren Mustern ähnelt, und wie du unüberwachte Methoden nutzt, um neue Arten von betrügerischen Aktivitäten aufzuspüren. Außerdem arbeitest du in der Betrugsanalytik oft mit stark unausgewogenen Datensätzen, wenn du Betrug gegenüber Nicht‑Betrug klassifizierst. In diesem Kurs lernst du Techniken kennen, um damit umzugehen. Der Kurs bietet eine Mischung aus technischen und theoretischen Einblicken und zeigt dir praktisch, wie du Modelle zur Betrugserkennung umsetzt. Zusätzlich bekommst du Tipps und Ratschläge aus der Praxis, damit du typische Fehler in der Betrugsanalytik vermeidest.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Einführung und Datenvorbereitung
In diesem Kapitel lernst du die typischen Herausforderungen der Betrugserkennung kennen und erfährst, wie du deine Daten clever neu sampelst, um Probleme mit unausgewogenen Daten zu bewältigen.
- Einführung in die Betrugserkennung50 XP
- Überprüfung des Verhältnisses von Betrug zu Nicht-Betrug100 XP
- Deine Daten plotten100 XP
- Mehr erfolgreiche Erkennungen durch Daten-Resampling50 XP
- Resampling-Methoden für unausgewogene Daten50 XP
- SMOTE anwenden100 XP
- SMOTE mit Originaldaten vergleichen100 XP
- Betrugserkennungsalgorithmen in Aktion50 XP
- Den klassischen Weg zur Betrugserkennung erkunden100 XP
- Betrug mit ML-Klassifikation aufdecken100 XP
- Logistische Regression kombiniert mit SMOTE100 XP
- Eine Pipeline verwenden100 XP
2
Betrugserkennung mit gelabelten Daten
Nachdem du nun mit den wichtigsten Herausforderungen der Betrugserkennung vertraut bist, lernst du, wie du mit überwachtem Lernen betrügerische Transaktionen markierst. Du wirst Klassifikatoren verwenden, anpassen und vergleichen, um das effizienteste Modell zur Betrugserkennung zu finden.
3
Betrugserkennung mit ungelabelten Daten
Dieses Kapitel konzentriert sich auf unüberwachte Lerntechniken zur Betrugserkennung. Du segmentierst Kundinnen und Kunden, nutzt K‑Means‑Clustering und andere Clustering‑Algorithmen, um verdächtige Vorkommnisse in deinen Daten zu finden.
4
Betrugserkennung mit Text
In diesem letzten Kapitel nutzt du Textdaten, Text Mining und Topic Modeling, um betrügerisches Verhalten zu erkennen.
Betrugserkennung mit Python
Kurs
abgeschlossen
