Build your ultimate AI agent
Descrierea cursului
Asociația Examinatorilor Certificați de Fraude estimează că fraudele costă organizațiile din întreaga lume 3,7 trilioane de dolari pe an și că o companie tipică pierde cinci procente din veniturile anuale din cauza fraudei. Se preconizează că tentativele de fraudă vor crește și mai mult în viitor, ceea ce face ca detecția fraudelor să fie extrem de necesară în majoritatea industriilor. Acest curs îți va arăta cum pot fi folosite tiparele de fraudă învățate din date istorice pentru a combate frauda. Sunt prezentate tehnici din statistici robuste și analiza cifrelor pentru a detecta observații neobișnuite, asociate cel mai probabil cu frauda. Două provocări principale în construirea unui instrument supervizat de detecție a fraudelor sunt dezechilibrul sau asimetria datelor și costurile diferite asociate diverselor tipuri de erori de clasificare. Prezentăm tehnici pentru a rezolva aceste probleme și ne concentrăm pe seturi de date artificiale și reale dintr-o gamă largă de aplicații de detecție a fraudelor.
Cerințe prealabile
Curriculum
Structura cursului
1
Introducere și motivație
Acest capitol îți va oferi mai întâi o definiție formală a fraudei. Vei învăța apoi cum să detectezi anomalii în tipurile de metode de plată utilizate sau în momentul în care sunt efectuate aceste plăți, pentru a semnala tranzacțiile suspecte.
- Introducere și motivație50 XP
- Distribuție dezechilibrată a claselor100 XP
- Costul nedetectării fraudei100 XP
- Caracteristici temporale50 XP
- Histogramă circulară100 XP
- Marcaje temporale suspecte100 XP
- Caracteristici de frecvență50 XP
- Caracteristica de frecvență pentru un singur cont100 XP
- Caracteristica de frecvență pentru mai multe conturi100 XP
- Caracteristici de recență50 XP
- Caracteristica de recență100 XP
- Compararea frecvenței și recentei100 XP
2
Analiza rețelelor sociale
În al doilea capitol, vei învăța cum să folosești rețelele pentru a combate frauda. Vei vizualiza rețele și vei folosi un concept din sociologie numit omofilie pentru a detecta tranzacții frauduloase și a-i identifica pe fraudatori.
3
Distribuții dezechilibrate ale claselor
Din fericire, cazurile de fraudă sunt rare. Totuși, acest lucru înseamnă că lucrezi cu date dezechilibrate, care, dacă sunt lăsate ca atare, vor distorsiona modelele tale de detecție. În acest capitol, vei aborda dezechilibrul folosind metode de supraesantionare și subesantionare.
4
Analiza cifrelor și statistici robuste
În acest capitol final, vei afla despre o lege matematică surprinzătoare folosită pentru a detecta situații suspecte. Vei folosi apoi statistici robuste pentru a-ți face modelele și mai fiabile.
R
Detecția fraudelor în R
Curs
finalizat
