Na het volgen van deze cursussen voel ik me zeker genoeg om professionele visualisaties en dashboards te maken
Shoebur RahmanInkoopspecialist, Giz Bangladesh
Cursusbeschrijving
De Association of Certified Fraud Examiners schat dat fraude organisaties wereldwijd jaarlijks 3,7 biljoen dollar kost en dat een gemiddeld bedrijf vijf procent van zijn jaarlijkse omzet verliest door fraude. De verwachting is dat fraudepogingen in de toekomst verder toenemen, waardoor fraudedetectie in de meeste sectoren hard nodig is. In deze cursus leer je hoe je fraudepatronen uit historische data kunt gebruiken om fraude te bestrijden. We behandelen technieken uit robuuste statistiek en cijferanalyse om ongewone observaties op te sporen die waarschijnlijk met fraude samenhangen. Twee grote uitdagingen bij het bouwen van een supervised tool voor fraudedetectie zijn de scheve of onevenwichtige verdeling van de data en de verschillende kosten van verschillende typen verkeerde classificaties. We presenteren technieken om deze problemen op te lossen en richten ons op kunstmatige en echte gegevenssets uit een brede waaier aan fraude-applicaties.
Vereisten
Lesprogramma
Cursusoverzicht
1
Introductie & motivatie
In dit hoofdstuk krijg je eerst een formele definitie van fraude. Daarna leer je hoe je anomalieën opspoort in het type betaalmethoden dat wordt gebruikt of in het tijdstip waarop betalingen plaatsvinden, om verdachte transacties te markeren.
- Introductie & motivatie50 XP
- Ongelijke klassenverdeling100 XP
- Kosten van het niet detecteren van fraude100 XP
- Tijdkenmerken50 XP
- Circulair histogram100 XP
- Verdachte tijdstempels100 XP
- Frequentiekenmerken50 XP
- Frequentiekenmerk voor één rekening100 XP
- Frequentiekenmerk voor meerdere accounts100 XP
- Recency-kenmerken50 XP
- Recency-feature100 XP
- Frequentie en recentheid vergelijken100 XP
2
Sociale-netwerkanalyse
In het tweede hoofdstuk leer je hoe je netwerken inzet om fraude te bestrijden. Je visualiseert netwerken en gebruikt een sociologisch concept, homofiel gedrag, om frauduleuze transacties te detecteren en fraudeurs te pakken.
3
Onevenwichtige klassenverdelingen
Gelukkig komt fraude niet vaak voor. Dat betekent echter dat je met onevenwichtige data werkt, wat je detectiemodellen kan vertekenen als je niets doet. In dit hoofdstuk pak je het onevenwicht aan met over- en undersampling-methoden.
4
Cijferanalyse en robuuste statistiek
In dit laatste hoofdstuk maak je kennis met een verrassende wiskundige wet om verdachte gebeurtenissen te detecteren. Vervolgens gebruik je robuuste statistiek om je modellen nog weerbaarder te maken.
R
Fraudedetectie in R
Cursus
voltooid
