Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
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
Lernprogramm
Kursübersicht
1
Einführung & Motivation
In diesem Kapitel erhältst du zunächst eine formale Definition von Betrug. Anschließend lernst du, wie du Auffälligkeiten bei verwendeten Zahlungsmethoden oder bei den Zahlungszeitpunkten erkennst, um verdächtige Transaktionen zu markieren.
- Einführung & Motivation50 XP
- Unausgewogene Klassenverteilung100 XP
- Kosten, wenn Betrug nicht erkannt wird100 XP
- Zeitmerkmale50 XP
- Zirkuläres Histogramm100 XP
- Verdächtige Zeitstempel100 XP
- Frequenzmerkmale50 XP
- Häufigkeitsfeature für ein Konto100 XP
- Häufigkeitsmerkmal für mehrere Konten100 XP
- Recency-Features50 XP
- Recency-Feature100 XP
- Frequenz und Recency vergleichen100 XP
2
Social Network Analytics
Im zweiten Kapitel lernst du, wie du Netzwerke zur Betrugsbekämpfung einsetzt. Du visualisierst Netzwerke und nutzt ein soziologisches Konzept namens Homophilie, um betrügerische Transaktionen aufzuspüren und Betrüger zu fassen.
3
Unausgewogene Klassenverteilungen
Zum Glück kommt Betrug selten vor. Das bedeutet jedoch, dass du mit unausgeglichenen Daten arbeitest, die deine Erkennungsmodelle verzerren, wenn du nichts unternimmst. In diesem Kapitel gehst du das Ungleichgewicht mit Over- und Under-Sampling-Methoden an.
4
Ziffernanalyse und robuste Statistik
In diesem letzten Kapitel lernst du ein überraschendes mathematisches Gesetz kennen, mit dem sich verdächtige Vorkommnisse erkennen lassen. Anschließend setzt du robuste Statistik ein, um deine Modelle noch widerstandsfähiger zu machen.
R
Fraud Detection in R
Kurs
abgeschlossen
