Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Une organisation typique perd environ 5 % de son chiffre d’affaires annuel à cause de la fraude. Dans ce cours, vous apprendrez à lutter contre la fraude en exploitant les données. Par exemple, vous verrez comment appliquer des algorithmes de supervised learning pour repérer des comportements frauduleux similaires à ceux du passé, ainsi que des méthodes d’unsupervised learning pour découvrir de nouveaux types d’activités frauduleuses. De plus, en analytique de la fraude, vous devez souvent traiter des jeux de données fortement déséquilibrés lors du classement fraude versus non-fraude ; au fil du cours, vous découvrirez des techniques pour y faire face. Le cours combine des aspects techniques et théoriques et vous montre concrètement comment mettre en œuvre des modèles de détection de fraude. Vous recevrez également des conseils pratiques issus du terrain pour éviter les erreurs courantes en analytique de la fraude.
Prérequis
Programme de formation
Plan du cours
1
Introduction et préparation des données
Dans ce chapitre, vous découvrirez les défis typiques de la détection de fraude et apprendrez à rééchantillonner intelligemment vos données pour traiter les problèmes de déséquilibre des classes.
- Introduction à la détection de fraude50 XP
- Vérifier le ratio fraude/non-fraude100 XP
- Visualiser vos données100 XP
- Améliorer les détections réussies grâce au rééchantillonnage des données50 XP
- Méthodes de rééchantillonnage pour des données déséquilibrées50 XP
- Appliquer SMOTE100 XP
- Comparer SMOTE aux données originales100 XP
- Algorithmes de détection de fraude en action50 XP
- Explorer la méthode traditionnelle pour détecter la fraude100 XP
- Utiliser la classification ML pour détecter la fraude100 XP
- Régression logistique combinée avec SMOTE100 XP
- Utiliser un pipeline100 XP
2
Détection de fraude avec données étiquetées
Maintenant que vous connaissez les principaux défis de la détection de fraude, vous allez apprendre à signaler les transactions frauduleuses avec du supervised learning. Vous utiliserez des classifieurs, les réglerez et les comparerez afin d’identifier le modèle de détection de fraude le plus efficace.
3
Détection de fraude avec données non étiquetées
Ce chapitre se concentre sur l’utilisation de techniques d’unsupervised learning pour détecter la fraude. Vous segmenterez les clients, utiliserez le clustering K-means et d’autres algorithmes de regroupement pour repérer des éléments suspects dans vos données.
4
Détection de fraude à partir de texte
Dans ce dernier chapitre, vous utiliserez des données textuelles, le text mining et le topic modeling pour détecter des comportements frauduleux.
Détection de fraude en Python
Cours
terminé
