Po ukończeniu tych kursów czuję się pewnie w tworzeniu profesjonalnych wizualizacji i pulpitów nawigacyjnych
Shoebur RahmanSpecjalista ds. zakupów, Giz Bangladesh
Opis kursu
Szacuje się, że przeciętna organizacja traci rocznie około 5% przychodów na skutek oszustw. W tym kursie nauczysz się, jak walczyć z oszustwami przy użyciu danych. Dowiesz się między innymi, jak stosować algorytmy uczenia nadzorowanego do wykrywania zachowań przypominających wcześniej zidentyfikowane oszustwa, a także metody uczenia nienadzorowanego do odkrywania nowych rodzajów działalności przestępczej. Co więcej, w analizie oszustw często masz do czynienia z silnie niezrównoważonymi zbiorami danych przy klasyfikacji transakcji jako oszukańczych lub prawidłowych – w trakcie kursu poznasz techniki radzenia sobie z tym problemem. Kurs łączy wiedzę techniczną z teorią i pokazuje, jak w praktyce implementować modele wykrywania oszustw. Otrzymasz też wskazówki oparte na doświadczeniu z prawdziwych projektów, które pomogą ci unikać typowych błędów w analizie oszustw.
Wymagania wstępne
Program nauczania
Plan kursu
1
Wprowadzenie i przygotowanie danych
W tym rozdziale poznasz typowe wyzwania związane z wykrywaniem oszustw oraz nauczysz się, jak inteligentnie próbkować dane, aby radzić sobie z problemem niezrównoważonych zbiorów danych.
- Wprowadzenie do wykrywania oszustw50 XP
- Sprawdzanie proporcji między oszustwami a transakcjami legalnymi100 XP
- Wizualizacja danych100 XP
- Zwiększanie skuteczności wykrywania oszustw za pomocą ponownego próbkowania danych50 XP
- Metody próbkowania dla niezbalansowanych danych50 XP
- Zastosowanie SMOTE100 XP
- Porównanie SMOTE z oryginalnymi danymi100 XP
- Algorytmy wykrywania oszustw w praktyce50 XP
- Wykrywanie oszustw tradycyjną metodą100 XP
- Wykrywanie oszustw za pomocą klasyfikacji ML100 XP
- Regresja logistyczna połączona z SMOTE100 XP
- Korzystanie z potoku100 XP
2
Wykrywanie oszustw na podstawie danych z etykietami
Skoro znasz już główne wyzwania związane z wykrywaniem oszustw, czas nauczyć się oznaczać nieuczciwe transakcje za pomocą uczenia nadzorowanego. Będziesz korzystać z klasyfikatorów, dostosowywać je i porównywać, aby znaleźć najbardziej efektywny model wykrywania oszustw.
3
Wykrywanie oszustw na podstawie danych bez etykiet
Ten rozdział koncentruje się na wykorzystaniu technik uczenia nienadzorowanego do wykrywania oszustw. Będziesz segmentować klientów oraz stosować algorytm K-średnich i inne algorytmy grupowania, aby znajdować podejrzane wzorce w danych.
4
Wykrywanie oszustw przy użyciu tekstu
W tym ostatnim rozdziale wykorzystasz dane tekstowe, eksplorację tekstu oraz modelowanie tematyczne do wykrywania nieuczciwych zachowań.
Wykrywanie oszustw w Pythonie
Kurs
ukończony
