Dopo aver seguito questi corsi, mi sento sicuro nel creare visualizzazioni e dashboard professionali
Shoebur RahmanSpecialista degli acquisti, Giz Bangladesh
Descrizione del corso
Si stima che un'organizzazione tipica perda il 5% dei propri ricavi annuali a causa delle frodi. In questo corso imparerai a combattere le frodi usando i dati. Per esempio, vedrai come applicare algoritmi di apprendimento supervisionato per individuare comportamenti fraudolenti simili a quelli passati, e metodi di apprendimento non supervisionato per scoprire nuove tipologie di attività fraudolente. Inoltre, nell'analisi delle frodi ci si trova spesso di fronte a insiemi di dati fortemente sbilanciati quando si classificano frodi versus non-frodi, e durante il corso imparerai alcune tecniche per gestire questa situazione. Il corso offre un mix di approfondimenti tecnici e teorici e ti mostra in pratica come implementare modelli di rilevamento delle frodi. In più, riceverai suggerimenti e consigli basati sull'esperienza reale per aiutarti a evitare gli errori più comuni nell'analisi delle frodi.
Prerequisiti
Programma
Struttura del corso
1
Introduzione e preparazione dei dati
In questo capitolo scoprirai le sfide tipiche legate al rilevamento delle frodi e imparerai a ricampionare i tuoi dati in modo intelligente per affrontare i problemi dovuti a dati sbilanciati.
- Introduzione al fraud detection50 XP
- Verificare il rapporto tra frodi e non-frodi100 XP
- Rappresentare i tuoi dati100 XP
- Aumentare le rilevazioni corrette con il ricampionamento dei dati50 XP
- Metodi di ri-campionamento per dati sbilanciati50 XP
- Applicare SMOTE100 XP
- Confronta SMOTE con i dati originali100 XP
- Algoritmi di rilevamento frodi in azione50 XP
- Esplorare il modo tradizionale di individuare le frodi100 XP
- Usare la classificazione ML per individuare le frodi100 XP
- Regressione logistica combinata con SMOTE100 XP
- Uso di una pipeline100 XP
2
Rilevamento delle frodi con dati etichettati
Ora che conosci le principali sfide del rilevamento delle frodi, imparerai come contrassegnare le transazioni fraudolente con l'apprendimento supervisionato. Userai dei classificatori, li perfezionerai e li confronterai per trovare il modello di rilevamento delle frodi più efficace.
3
Rilevamento delle frodi con dati non etichettati
Questo capitolo è incentrato sull'uso di tecniche di apprendimento non supervisionato per rilevare le frodi. Segmenterai i clienti, userai il clustering K-means e altri algoritmi di clustering per trovare occorrenze sospette nei tuoi dati.
4
Rilevamento delle frodi con il testo
In questo capitolo finale userai dati testuali, text mining e topic modeling per individuare comportamenti fraudolenti.
Rilevamento delle frodi in Python
Corso
completato
