Przejdź do głównej treści

Strona główna R

Kurs

Wykrywanie oszustw w R

ŚredniozaawansowanyPoziom umiejętności

Zaktualizowano 08.2024

Naucz się wykrywać oszustwa za pomocą analityki w R.

Zacznij kurs za darmo

RMachine Learning

4 godz.

16 filmów

49 Ćwiczeń

3,900 XP

7,577

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

Według szacunków Stowarzyszenia Certyfikowanych Ekspertów ds. Oszustw oszustwa kosztują organizacje na całym świecie 3,7 biliona dolarów rocznie, a typowa firma traci przez nie około pięciu procent rocznych przychodów. Liczba prób oszustw ma w przyszłości jeszcze wzrosnąć, co sprawia, że ich wykrywanie staje się niezbędne w większości branż. Ten kurs pokaże, jak wykorzystać wzorce oszustw z danych historycznych w walce z nadużyciami. Omówione zostaną techniki z zakresu statystyki odpornej i analizy cyfr, służące do wykrywania nietypowych obserwacji, które mogą wskazywać na oszustwo. Dwa główne wyzwania przy budowaniu nadzorowanego narzędzia do wykrywania oszustw to niezbalansowanie danych oraz różne koszty poszczególnych typów błędnych klasyfikacji. Przedstawiamy techniki rozwiązywania tych problemów i skupiamy się na zbiorach danych – zarówno syntetycznych, jak i rzeczywistych – z szerokiego spektrum zastosowań związanych z wykrywaniem oszustw.

Wymagania wstępne

Unsupervised Learning in R Supervised Learning in R: Classification

1

Wprowadzenie i motywacja

Ten rozdział zaczyna się od formalnej definicji oszustwa. Następnie nauczysz się wykrywać anomalie w rodzajach używanych metod płatności oraz w godzinach dokonywania transakcji, aby oznaczać podejrzane operacje.

Wprowadzenie i motywacja

Niezrównoważony rozkład klas

Koszt niewykrycia oszustwa

Cechy czasowe

Kołowy histogram

Podejrzane znaczniki czasu

Cechy częstotliwości

Cecha częstotliwości dla jednego konta

Cecha częstotliwości dla wielu kont

Cechy aktualności

Cecha aktualności

Porównanie częstotliwości i aktualności

Zacznij rozdział

2

Analiza sieci społecznych

W drugim rozdziale poznasz sposoby wykorzystania sieci do walki z oszustwami. Nauczysz się wizualizować sieci i korzystać z socjologicznego pojęcia homofylii, aby wykrywać fałszywe transakcje i identyfikować oszustów.

Analityka sieci społecznych

Analiza sieci

Nakładające się krawędzie

Wykrywanie oszustw a analiza sieci społecznych

Szukanie homofili w sieci

Wizualizacja atrybutów węzłów

Wnioskowanie oparte na sieciach społecznych

Modele relacyjne i nierelacyjne

Klasyfikator sąsiedztwa relacyjnego

Metryki sieci społecznościowych

Stopień, bliskość i pośrednictwo

Dodawanie cech sieci

Zacznij rozdział

3

Niezbalansowane rozkłady klas

Na szczęście oszustwa zdarzają się rzadko. Oznacza to jednak, że pracujesz z niezbalansowanymi danymi, które – jeśli nie zostaną odpowiednio przetworzone – będą zaburzać wyniki modeli wykrywania. W tym rozdziale zajmiesz się problemem niezbalansowania za pomocą metod nadpróbkowania i podpróbkowania.

Radzenie sobie z niezbalansowanymi zbiorami danych

Jak radzić sobie z niezbalansowaniem klas?

Wizualizacja wzorców w danych

Losowe próbkowanie nadmierne

Losowe próbkowanie z redukcją

Zmniejszanie grupy większościowej

Łączenie ROS i RUS

Syntetyczne nadpróbkowanie

Czy znasz już SMOTE?

Od zbioru danych do modelu wykrywania

Zbuduj własny model wykrywania oszustw

Rzeczywisty koszt wykrywania oszustw

Zacznij rozdział

4

Analiza cyfr i statystyka odporna

W ostatnim rozdziale poznasz zaskakujące prawo matematyczne, które służy do wykrywania podejrzanych zjawisk. Następnie wykorzystasz statystykę odporną, aby uczynić swoje modele jeszcze bardziej niezawodnymi.

Analiza cyfr z wykorzystaniem prawa Benforda

Prawo Benforda dla pierwszej cyfry

Zgodność danych spisowych z prawem Benforda

Prawo Benforda w wykrywaniu oszustw

Zgodność z prawem Benforda

Roszczenia z tytułu ubezpieczenia od ognia

Zbiór danych płatności

Wykrywanie wartości odstających w jednej zmiennej

Obliczanie odpornych z-score'ów

Wykres pudełkowy

Wykrywanie wartości odstających w wielu wymiarach

Wielowymiarowe wykrywanie wartości odstających

Zacznij rozdział

Wykrywanie oszustw w R

Kurs
ukończony

Zdobądź zaświadczenie o ukończeniu

Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysu
Udostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz

Dołącz do ponad 19 milionów kursantów i zacznij Wykrywanie oszustw w R już dziś!

Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych

Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.