Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
Se estima que una organización típica pierde un 5% de sus ingresos anuales por fraude. En este curso aprenderás a combatir el fraude utilizando datos. Por ejemplo, verás cómo aplicar algoritmos de aprendizaje supervisado para detectar comportamientos fraudulentos similares a los del pasado, y métodos de aprendizaje no supervisado para descubrir nuevos tipos de actividades fraudulentas. Además, en analítica de fraude a menudo te enfrentas a conjuntos de datos muy desbalanceados al clasificar fraude frente a no fraude, y durante el curso aprenderás técnicas para gestionar esta situación. El curso combina ideas técnicas y teóricas y te muestra, paso a paso, cómo implementar en la práctica modelos de detección de fraude. También recibirás consejos y buenas prácticas basadas en experiencias reales para ayudarte a evitar errores comunes en analítica de fraude.
Requisitos previos
Programa de formación
Contenido del curso
1
Introducción y preparación de los datos
En este capítulo conocerás los desafíos habituales de la detección de fraude y aprenderás a remuestrear tus datos de forma inteligente para abordar los problemas de desbalanceo.
- Introducción a la detección de fraude50 XP
- Comprobando la proporción fraude/no fraude100 XP
- Representar tus datos100 XP
- Aumentar las detecciones exitosas mediante remuestreo de datos50 XP
- Métodos de remuestreo para datos desbalanceados50 XP
- Aplicar SMOTE100 XP
- Compara SMOTE con los datos originales100 XP
- Algoritmos de detección de fraude en acción50 XP
- Explorar la forma tradicional de detectar fraude100 XP
- Usar clasificación de ML para detectar fraude100 XP
- Regresión logística combinada con SMOTE100 XP
- Usar un pipeline100 XP
2
Detección de fraude con datos etiquetados
Ahora que ya conoces los principales desafíos de la detección de fraude, vas a aprender a marcar transacciones fraudulentas con aprendizaje supervisado. Usarás clasificadores, los ajustarás y los compararás para encontrar el modelo de detección de fraude más eficiente.
3
Detección de fraude con datos no etiquetados
Este capítulo se centra en el uso de técnicas de aprendizaje no supervisado para detectar fraude. Segmentarás clientes, utilizarás clustering K-means y otros algoritmos de clustering para encontrar sucesos sospechosos en tus datos.
4
Detección de fraude con texto
En este último capítulo, utilizarás datos de texto, minería de texto y modelado de temas para detectar comportamientos fraudulentos.
Fraud Detection in Python
Curso
completado
