メインコンテンツへスキップ

コース

Rで学ぶ不正検知

中級スキルレベル

更新日 2024/08

Rで分析を用いて不正検知を学びましょう。

コースを無料で開始

RMachine Learning

4時間

16 ビデオ

49 演習

3,900 XP

7,564

修了証明書

何千もの企業の従業員が支持

チームのトレーニングを担当していますか？

Businessをお試しください

コース説明

公認不正検査士協会（ACFE）の推計では、不正による損失は世界全体で年間3.7兆ドルにのぼり、典型的な企業は不正によって年間売上の5%を失っているとされています。将来的には不正の試行自体がさらに増える見込みであり、多くの業界で不正検知は不可欠です。本コースでは、過去データから不正のパターンを学習し、不正対策に活用する方法を解説します。異常値検出のためのロバスト統計や桁分析の手法を用いて、不正と関連する可能性の高い異常な観測を見つけます。教師ありの不正検知ツールを構築する際の主な課題は、データの不均衡（偏り）と、誤分類の種類ごとに異なるコストです。これらの課題に対処する技法を紹介し、幅広い不正検知アプリケーションに基づく人工データと実データの双方に焦点を当てます。

前提条件

Unsupervised Learning in R Supervised Learning in R: Classification

1

Introduction & Motivation

This chapter will first give a formal definition of fraud. You will then learn how to detect anomalies in the type of payment methods used or the time these payments are made to flag suspicious transactions.

Introduction & Motivation

Imbalanced class distribution

Cost of not detecting fraud

Time features

Circular histogram

Suspicious timestamps

Frequency features

Frequency feature for one account

Frequency feature for multiple accounts

Recency features

Recency feature

Comparing frequency & recency

チャプターを開始

2

Social network analytics

In the second chapter, you will learn how to use networks to fight fraud. You will visualize networks and use a sociology concept called homophily to detect fraudulent transactions and catch fraudsters.

Social network analytics

Analyzing a network

Overlapping edges

Fraud and social network analysis

Looking for homophily in a network

Visualizing node attributes

Social network based inference

Relational vs non-relational models

Relational neighbor classifier

Social network metrics

Degree, closeness & betweenness

Adding network features

チャプターを開始

3

Imbalanced class distributions

Fortunately, fraud occurrences are rare. However, this means that you're working with imbalanced data, which if left as is will bias your detection models. In this chapter, you will tackle imbalance using over and under-sampling methods.

Dealing with imbalanced datasets

How to deal with class imbalance?

Visualizing patterns in the data

Random over-sampling

Random under-sampling

Shrinking the majority group

Combining ROS & RUS

Synthetic Over-sampling

Have you met SMOTE?

From dataset to detection model

Build your own detection model

True cost of fraud detection

チャプターを開始

4

Digit analysis and robust statistics

In this final chapter, you will learn about a surprising mathematical law used to detect suspicious occurrences. You will then use robust statistics to make your models even more bulletproof.

Digit analysis using Benford's law

Benford's Law for first digit

Conformity of census data

Benford's Law for fraud detection

Conformity to Benford's Law

Fire insurance claims

Payments data set

Detecting univariate outliers

Computing robust z-scores

Detecting multivariate outliers

Multivariate outlier detection

チャプターを開始

Rで学ぶ不正検知

コース完了

修了証明書を取得

この修了書をLinkedInや履歴書、CVに追加しましょう
ソーシャルメディアや人事評価で共有しましょう今すぐ登録

19百万人を超える学習者と共にRで学ぶ不正検知を始めましょう！

DataCamp for Mobileでデータスキルを磨きましょう

モバイルコースと毎日の 5 分間のコーディングチャレンジで、外出先でも進歩できます。