Weiter zum Inhalt

Startseite Python

Kurs

Betrugserkennung mit Python

FortgeschrittenSchwierigkeitsgrad

Aktualisiert 08/2024

In diesem Kurs bekommst du praxisnah vermittelt, wie du mit Python Betrug erkennst.

Kurs kostenlos starten

PythonMachine Learning4 Std.16 Videos57 Übungen4,800 XP21,775Leistungsnachweis

Kostenloses Konto erstellen

oder

Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.

Beliebt bei Lernenden in Tausenden Unternehmen

Training für 2 oder mehr Personen?

Probiere es mit DataCamp for Business

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

Unsupervised Learning in Python Supervised Learning with scikit-learn

1

Introduction and preparing your data

In this chapter, you'll learn about the typical challenges associated with fraud detection, and will learn how to resample your data in a smart way, to tackle problems with imbalanced data.

Introduction to fraud detection

Checking the fraud to non-fraud ratio

Plotting your data

Increasing successful detections using data resampling

Resampling methods for imbalanced data

Applying SMOTE

Compare SMOTE to original data

Fraud detection algorithms in action

Exploring the traditional way to catch fraud

Using ML classification to catch fraud

Logistic regression combined with SMOTE

Using a pipeline

Kapitel starten

2

Fraud detection using labeled data

Now that you're familiar with the main challenges of fraud detection, you're about to learn how to flag fraudulent transactions with supervised learning. You will use classifiers, adjust them, and compare them to find the most efficient fraud detection model.

Review of classification methods

Natural hit rate

Random Forest Classifier - part 1

Random Forest Classifier - part 2

Performance evaluation

Performance metrics for the RF model

Plotting the Precision Recall Curve

Adjusting your algorithm weights

Model adjustments

Adjusting your Random Forest to fraud detection

GridSearchCV to find optimal parameters

Model results using GridSearchCV

Ensemble methods

Logistic Regression

Voting Classifier

Adjust weights within the Voting Classifier

Kapitel starten

3

Fraud detection using unlabeled data

This chapter focuses on using unsupervised learning techniques to detect fraud. You will segment customers, use K-means clustering and other clustering algorithms to find suspicious occurrences in your data.

Normal versus abnormal behavior

Exploring your data

Customer segmentation

Using statistics to define normal behavior

Clustering methods to detect fraud

Scaling the data

K-means clustering

Elbow method

Assigning fraud versus non-fraud

Detecting outliers

Checking model results

Other clustering fraud detection methods

Assessing smallest clusters

Checking results

Kapitel starten

4

Fraud detection using text

In this final chapter, you will use text data, text mining, and topic modeling to detect fraudulent behavior.

Using text data

Word search with dataframes

Using list of terms

Creating a flag

Text mining to detect fraud

Removing stopwords

Cleaning text data

Topic modeling on fraud

Create dictionary and corpus

Flagging fraud based on topics

Interpreting the topic model

Finding fraudsters based on topic

Kapitel starten

Betrugserkennung mit Python

Kurs
abgeschlossen

Leistungsnachweis verdienen

Füge diesen Fähigkeitsnachweis zu Deinem LinkedIn-Profil, Anschreiben oder Lebenslauf hinzu
Teile es auf Social Media und in Deiner LeistungsbeurteilungJetzt anmelden

Schließe dich 19 Millionen Lernenden an und starte Betrugserkennung mit Python heute!

Kostenloses Konto erstellen

oder

Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.

DataCamp gibt es auch für Mobilgeräte

Mit unseren Kursen für Mobilgeräte und täglichen Programmier-Challenges erweiterst du deine Datenkompetenz von unterwegs.