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 Learning4 h16 vídeos57 Exercícios4,800 XP21,775Certificado de conclusão

Crie sua conta gratuita

ou

Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados serão armazenados nos EUA.

Preferido por alunos de milhares de empresas

Treinar 2 ou mais pessoas?

Experimentar DataCamp for Business

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

Introduction and preparing your data

In this chapter, you'll learn about the typical challenges associated with fraud detection, and will learn how to resample your data in a smart way, to tackle problems with imbalanced data.

Introduction to fraud detection

Checking the fraud to non-fraud ratio

Plotting your data

Increasing successful detections using data resampling

Resampling methods for imbalanced data

Applying SMOTE

Compare SMOTE to original data

Fraud detection algorithms in action

Exploring the traditional way to catch fraud

Using ML classification to catch fraud

Logistic regression combined with SMOTE

Using a pipeline

Iniciar Capítulo

2

Fraud detection using labeled data

Now that you're familiar with the main challenges of fraud detection, you're about to learn how to flag fraudulent transactions with supervised learning. You will use classifiers, adjust them, and compare them to find the most efficient fraud detection model.

Review of classification methods

Natural hit rate

Random Forest Classifier - part 1

Random Forest Classifier - part 2

Performance evaluation

Performance metrics for the RF model

Plotting the Precision Recall Curve

Adjusting your algorithm weights

Model adjustments

Adjusting your Random Forest to fraud detection

GridSearchCV to find optimal parameters

Model results using GridSearchCV

Ensemble methods

Logistic Regression

Voting Classifier

Adjust weights within the Voting Classifier

Iniciar Capítulo

3

Fraud detection using unlabeled data

This chapter focuses on using unsupervised learning techniques to detect fraud. You will segment customers, use K-means clustering and other clustering algorithms to find suspicious occurrences in your data.

Normal versus abnormal behavior

Exploring your data

Customer segmentation

Using statistics to define normal behavior

Clustering methods to detect fraud

Scaling the data

K-means clustering

Elbow method

Assigning fraud versus non-fraud

Detecting outliers

Checking model results

Other clustering fraud detection methods

Assessing smallest clusters

Checking results

Iniciar Capítulo

4

Fraud detection using text

In this final chapter, you will use text data, text mining, and topic modeling to detect fraudulent behavior.

Using text data

Word search with dataframes

Using list of terms

Creating a flag

Text mining to detect fraud

Removing stopwords

Cleaning text data

Topic modeling on fraud

Create dictionary and corpus

Flagging fraud based on topics

Interpreting the topic model

Finding fraudsters based on topic

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!

Crie sua conta gratuita

ou

Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados serão armazenados nos EUA.

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.