Weiter zum Inhalt

Kurs

Fraud Detection in R

FortgeschrittenSchwierigkeitsgrad

Aktualisiert 08/2024

Dieser Kurs gibt dir das nötige Fundament, um mit Analytics in R effektiv Betrug zu erkennen.

Kurs kostenlos starten

RMachine Learning4 Std.16 Videos49 Übungen3,900 XP7,477Leistungsnachweis

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

Die Association of Certified Fraud Examiners schätzt, dass Betrug Organisationen weltweit jährlich 3,7 Billionen US‑Dollar kostet und dass ein typisches Unternehmen fünf Prozent seines Jahresumsatzes durch Betrug verliert. In Zukunft ist mit noch mehr Betrugsversuchen zu rechnen – umso wichtiger ist Betrugserkennung in den meisten Branchen. In diesem Kurs lernst du, wie sich aus historischen Daten Betrugsmuster ableiten lassen, um Betrug zu bekämpfen. Wir zeigen Verfahren aus der robusten Statistik und der Ziffernanalyse, um ungewöhnliche Auffälligkeiten zu erkennen, die wahrscheinlich mit Betrug zusammenhängen. Zwei zentrale Herausforderungen beim Aufbau eines überwachtes Lernverfahrens zur Betrugserkennung sind unausgeglichene bzw. schiefe Daten und unterschiedliche Kosten für verschiedene Fehlklassifikationen. Wir stellen Techniken vor, um diese Probleme zu lösen, und konzentrieren uns auf künstliche und reale Datensätze aus vielfältigen Betrugsanwendungen.

Voraussetzungen

Unsupervised Learning in R Supervised Learning in R: Classification

1

Introduction & Motivation

This chapter will first give a formal definition of fraud. You will then learn how to detect anomalies in the type of payment methods used or the time these payments are made to flag suspicious transactions.

Introduction & Motivation

Imbalanced class distribution

Cost of not detecting fraud

Time features

Circular histogram

Suspicious timestamps

Frequency features

Frequency feature for one account

Frequency feature for multiple accounts

Recency features

Recency feature

Comparing frequency & recency

Kapitel starten

2

Social network analytics

In the second chapter, you will learn how to use networks to fight fraud. You will visualize networks and use a sociology concept called homophily to detect fraudulent transactions and catch fraudsters.

Social network analytics

Analyzing a network

Overlapping edges

Fraud and social network analysis

Looking for homophily in a network

Visualizing node attributes

Social network based inference

Relational vs non-relational models

Relational neighbor classifier

Social network metrics

Degree, closeness & betweenness

Adding network features

Kapitel starten

3

Imbalanced class distributions

Fortunately, fraud occurrences are rare. However, this means that you're working with imbalanced data, which if left as is will bias your detection models. In this chapter, you will tackle imbalance using over and under-sampling methods.

Dealing with imbalanced datasets

How to deal with class imbalance?

Visualizing patterns in the data

Random over-sampling

Random under-sampling

Shrinking the majority group

Combining ROS & RUS

Synthetic Over-sampling

Have you met SMOTE?

From dataset to detection model

Build your own detection model

True cost of fraud detection

Kapitel starten

4

Digit analysis and robust statistics

In this final chapter, you will learn about a surprising mathematical law used to detect suspicious occurrences. You will then use robust statistics to make your models even more bulletproof.

Digit analysis using Benford's law

Benford's Law for first digit

Conformity of census data

Benford's Law for fraud detection

Conformity to Benford's Law

Fire insurance claims

Payments data set

Detecting univariate outliers

Computing robust z-scores

Detecting multivariate outliers

Multivariate outlier detection

Kapitel starten

Fraud Detection in R

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 Fraud Detection in R 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.