Build your ultimate AI agent
Description du cours
L’Association of Certified Fraud Examiners estime que la fraude coûte aux organisations du monde entier 3,7 billions de dollars par an et qu’une entreprise type perd cinq pour cent de son chiffre d’affaires annuel à cause de la fraude. Les tentatives de fraude devraient encore augmenter à l’avenir, rendant la détection de fraude indispensable dans la plupart des secteurs. Ce cours montre comment l’apprentissage de schémas de fraude à partir de données historiques permet de lutter contre la fraude. Certaines techniques de statistiques robustes et d’analyse des chiffres sont présentées pour repérer des observations inhabituelles probablement liées à des fraudes. Deux défis majeurs lors de la création d’un outil supervisé de détection de fraude sont le déséquilibre ou la dissymétrie des données, et les coûts variés selon les types d’erreurs de classification. Nous présentons des techniques pour résoudre ces problèmes et nous concentrons sur des jeux de données artificiels et réels issus d’un large éventail d’applications de fraude.
Prérequis
Programme de formation
Plan du cours
1
Introduction et motivation
Ce chapitre commence par donner une définition formelle de la fraude. Vous apprendrez ensuite à détecter des anomalies dans le type de moyens de paiement utilisés ou dans le moment où ces paiements sont effectués, afin d’identifier des transactions suspectes.
- Introduction et motivations50 XP
- Répartition déséquilibrée des classes100 XP
- Coût de la non-détection de fraude100 XP
- Caractéristiques temporelles50 XP
- Histogramme circulaire100 XP
- Horodatages suspects100 XP
- Caractéristiques de fréquence50 XP
- Variable de fréquence pour un compte100 XP
- Caractéristique de fréquence pour plusieurs comptes100 XP
- Variables de récence50 XP
- Variable de récence100 XP
- Comparer fréquence et récence100 XP
2
Analyse des réseaux sociaux
Dans le deuxième chapitre, vous apprendrez à utiliser les réseaux pour lutter contre la fraude. Vous visualiserez des réseaux et utiliserez un concept de sociologie appelé homophilie pour détecter des transactions frauduleuses et démasquer les fraudeurs.
3
Répartition déséquilibrée des classes
Heureusement, les cas de fraude sont rares. Cependant, cela implique que vous travaillez avec des données déséquilibrées qui, si elles restent en l’état, biaiseront vos modèles de détection. Dans ce chapitre, vous traiterez le déséquilibre à l’aide de méthodes de suréchantillonnage et de sous-échantillonnage.
4
Analyse des chiffres et statistiques robustes
Dans ce dernier chapitre, vous découvrirez une loi mathématique surprenante utilisée pour repérer des occurrences suspectes. Vous utiliserez ensuite des statistiques robustes pour rendre vos modèles encore plus résistants.
R
Détection de fraude en R
Cours
terminé
