Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
La Association of Certified Fraud Examiners estima que el fraude cuesta a las organizaciones de todo el mundo 3,7 billones de dólares al año y que una empresa típica pierde un cinco por ciento de sus ingresos anuales por fraude. Se espera que los intentos de fraude sigan aumentando en el futuro, por lo que la detección de fraude es imprescindible en la mayoría de sectores. En este curso verás cómo aprender patrones de fraude a partir de datos históricos puede ayudar a combatirlo. Se presentan algunas técnicas de estadística robusta y análisis de dígitos para detectar observaciones inusuales que probablemente estén asociadas al fraude. Dos retos principales al construir una herramienta supervisada para la detección de fraude son el desbalance o asimetría de los datos y los distintos costes de los diferentes tipos de clasificación errónea. Presentamos técnicas para resolver estos problemas y nos centramos en conjuntos de datos artificiales y reales de una amplia variedad de aplicaciones de fraude.
Requisitos previos
Programa de formación
Contenido del curso
1
Introducción y motivación
En este capítulo se dará primero una definición formal de fraude. Después aprenderás a detectar anomalías en el tipo de métodos de pago usados o en el momento en que se realizan estos pagos para señalar transacciones sospechosas.
- Introducción y motivación50 XP
- Distribución desbalanceada de clases100 XP
- Coste de no detectar fraude100 XP
- Características temporales50 XP
- Histograma circular100 XP
- Marcas temporales sospechosas100 XP
- Características de frecuencia50 XP
- Característica de frecuencia para una cuenta100 XP
- Característica de frecuencia para múltiples cuentas100 XP
- Características de recencia50 XP
- Característica de recencia100 XP
- Comparar frecuencia y antigüedad100 XP
2
Analítica de redes sociales
En el segundo capítulo, aprenderás a usar redes para luchar contra el fraude. Visualizarás redes y usarás un concepto de la sociología llamado homofilia para detectar transacciones fraudulentas y atrapar a los estafadores.
3
Distribuciones de clases desbalanceadas
Afortunadamente, los casos de fraude son poco frecuentes. Sin embargo, esto implica que trabajarás con datos desbalanceados, que si se dejan tal cual sesgarán tus modelos de detección. En este capítulo abordarás el desbalance usando métodos de sobremuestreo y submuestreo.
4
Análisis de dígitos y estadística robusta
En este último capítulo, conocerás una sorprendente ley matemática utilizada para detectar sucesos sospechosos. Luego usarás estadística robusta para hacer tus modelos aún más resistentes.
R
Detección de fraude en R
Curso
completado
