Pular para o conteúdo principal

Curso

Detecção de Fraudes em Python

IntermediárioNível de habilidade

Atualizado 08/2024

Aprenda a detectar fraudes usando Python.

Iniciar curso gratuitamente

PythonMachine Learning

4 h

16 vídeos

57 Exercícios

4,800 XP

22,051

Declaração de realização

Preferido por alunos de milhares de empresas

Treinando uma equipe?

Experimente para Empresas

Descrição do curso

Uma organização típica perde cerca de 5% de sua receita anual por causa de fraudes. Neste curso, você vai aprender a combater fraudes usando dados. Por exemplo, vai ver como aplicar algoritmos de aprendizado supervisionado para detectar comportamentos fraudulentos semelhantes aos do passado e métodos de aprendizado não supervisionado para descobrir novos tipos de atividade fraudulenta. Além disso, em análises de fraude é comum lidar com conjuntos de dados altamente desbalanceados ao classificar fraude versus não fraude, e ao longo do curso você vai aprender algumas técnicas para tratar esse problema. O curso combina insights técnicos e teóricos e mostra, na prática, como implementar modelos de detecção de fraudes. Você também receberá dicas e conselhos baseados em experiência real para evitar erros comuns em análises de fraude.

Pré-requisitos

Unsupervised Learning in Python Supervised Learning with scikit-learn

1

Introdução e preparação dos dados

Neste capítulo, você vai conhecer os desafios típicos da detecção de fraudes e aprenderá a fazer o reamostragem dos seus dados de forma inteligente para lidar com o desbalanceamento.

Introdução à detecção de fraudes

Verificando a proporção entre fraude e não fraude

Plotando seus dados

Aumentando as detecções bem-sucedidas com reamostragem de dados

Métodos de reamostragem para dados desbalanceados

Aplicando SMOTE

Compare o SMOTE com os dados originais

Algoritmos de detecção de fraude em ação

Explorando a forma tradicional de detectar fraudes

Usando classificação de ML para detectar fraude

Regressão logística combinada com SMOTE

Usando um pipeline

Iniciar capítulo

2

Detecção de fraudes com dados rotulados

Agora que você já conhece os principais desafios da detecção de fraudes, é hora de aprender a sinalizar transações fraudulentas com aprendizado supervisionado. Você vai usar classificadores, ajustá-los e compará-los para encontrar o modelo de detecção de fraudes mais eficiente.

Revisão de métodos de classificação

Taxa de acerto natural

Random Forest Classifier - parte 1

Random Forest Classifier - parte 2

Avaliação de desempenho

Métricas de desempenho para o modelo de RF

Plotando a Curva Precisão-Recall

Ajustando os pesos do seu algoritmo

Ajustes de modelo

Ajustando sua Random Forest para detecção de fraude

GridSearchCV para encontrar os melhores parâmetros

Resultados do modelo usando GridSearchCV

Métodos de ensemble

Regressão Logística

Classificador por Votação

Ajuste pesos no Voting Classifier

Iniciar capítulo

3

Detecção de fraudes com dados não rotulados

Este capítulo foca no uso de técnicas de aprendizado não supervisionado para detectar fraudes. Você vai segmentar clientes, usar K-means e outros algoritmos de clusterização para encontrar ocorrências suspeitas nos seus dados.

Comportamento normal versus anormal

Explorando seus dados

Segmentação de clientes

Usando estatísticas para definir o comportamento normal

Métodos de clustering para detectar fraude

Normalizando os dados

Clusterização K-means

Método do cotovelo

Classificando fraude versus não fraude

Detectando outliers

Verificando os resultados do modelo

Outros métodos de detecção de fraude por clusterização

Avaliando os menores clusters

Verificando os resultados

Iniciar capítulo

4

Detecção de fraudes usando texto

Neste capítulo final, você vai usar dados de texto, mineração de texto e modelagem de tópicos para detectar comportamentos fraudulentos.

Usando dados de texto

Busca por palavras com dataframes

Usando lista de termos

Criando uma flag

Mineração de texto para detectar fraude

Removendo stopwords

Limpando dados de texto

Modelagem de tópicos em fraudes

Criar dicionário e corpus

Sinalizando fraudes com base em tópicos

Interpretando o modelo de tópicos

Encontrando fraudadores com base em tópicos

Recapitulação

Iniciar capítulo

Detecção de Fraudes em Python

Curso
concluído

Obtenha um certificado de conclusão

Adicione esta credencial ao seu perfil do LinkedIn, currículo ou CV
Compartilhe nas redes sociais e em sua avaliação de desempenhoInscreva-se agora

Faça como mais de 19 milhões de alunos e comece Detecção de Fraudes em Python hoje mesmo!

Desenvolva suas habilidades em dados com o app do DataCamp

Continue progredindo em qualquer lugar com nossos cursos para celular e desafios diários de programação de 5 minutos.