Na het volgen van deze cursussen voel ik me zeker genoeg om professionele visualisaties en dashboards te maken
Shoebur RahmanInkoopspecialist, Giz Bangladesh
Cursusbeschrijving
Een gemiddeld bedrijf verliest naar schatting 5% van zijn jaarlijkse omzet door fraude. In deze cursus leer je fraude bestrijden met behulp van data. Zo leer je hoe je supervised learning-algoritmen toepast om frauduleus gedrag te detecteren dat lijkt op eerdere gevallen, en hoe je unsupervised learning-methoden gebruikt om nieuwe typen frauduleuze activiteiten te ontdekken. Bovendien heb je in fraud analytics vaak te maken met sterk onevenwichtige gegevenssets bij het classificeren van fraude versus geen fraude, en in deze cursus leer je technieken om daarmee om te gaan. De cursus biedt een mix van technische en theoretische inzichten en laat je hands-on zien hoe je fraudedetectiemodellen in de praktijk implementeert. Daarnaast krijg je tips en adviezen uit de praktijk om veelgemaakte fouten in fraud analytics te voorkomen.
Vereisten
Lesprogramma
Cursusoverzicht
1
Introductie en je data voorbereiden
In dit hoofdstuk leer je over de typische uitdagingen bij fraudedetectie en hoe je je data slim kunt herverdelen om problemen met onevenwichtige data aan te pakken.
- Kennismaking met fraudedetectie50 XP
- De verhouding fraude versus niet-fraude controleren100 XP
- Je data plotten100 XP
- Meer succesvolle detecties met data-resampling50 XP
- Resampling-methoden voor onevenwichtige data50 XP
- SMOTE toepassen100 XP
- Vergelijk SMOTE met de oorspronkelijke data100 XP
- Fraudedetectie-algoritmen in actie50 XP
- De traditionele manier om fraude te vangen verkennen100 XP
- Fraude opsporen met ML-classificatie100 XP
- Logistische regressie gecombineerd met SMOTE100 XP
- Een pipeline gebruiken100 XP
2
Fraudedetectie met gelabelde data
Nu je de belangrijkste uitdagingen van fraudedetectie kent, ga je leren hoe je frauduleuze transacties markeert met supervised learning. Je gebruikt classifiers, stelt ze af en vergelijkt ze om het meest efficiënte fraudedetectiemodel te vinden.
3
Fraudedetectie met ongelabelde data
Dit hoofdstuk richt zich op het gebruik van unsupervised learning-technieken om fraude op te sporen. Je segmenteert klanten en gebruikt K-means clustering en andere clusteringalgoritmen om verdachte gebeurtenissen in je data te vinden.
4
Fraudedetectie met tekst
In dit laatste hoofdstuk gebruik je tekstdata, text mining en topic modeling om frauduleus gedrag te detecteren.
Fraudedetectie in Python
Cursus
voltooid
