ข้ามไปยังเนื้อหาหลัก

บ้าน Python

Courses

Fraud Detection in Python

ระดับกลางระดับทักษะ

อัปเดตแล้ว 08/2567

Learn how to detect fraud using Python.

เริ่มเรียนหลักสูตรฟรี

PythonMachine Learning4 ชม.16 videos57 Exercises4,800 เอ็กซ์พี21,768คำแถลงแสดงความสำเร็จ

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

เป็นที่ชื่นชอบของผู้เรียนในบริษัทหลายพันแห่ง

ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?

ลองใช้ DataCamp for Business

คำอธิบายรายวิชา

A typical organization loses an estimated 5% of its yearly revenue to fraud. In this course, you will learn how to fight fraud by using data. For example, you'll learn how to apply supervised learning algorithms to detect fraudulent behavior similar to past ones, as well as unsupervised learning methods to discover new types of fraud activities. Moreover, in fraud analytics you often deal with highly imbalanced datasets when classifying fraud versus non-fraud, and during this course you will pick up some techniques on how to deal with that. The course provides a mix of technical and theoretical insights and shows you hands-on how to practically implement fraud detection models. In addition, you will get tips and advice from real-life experience to help you prevent making common mistakes in fraud analytics.

ข้อกำหนดเบื้องต้น

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

50 เอ็กซ์พี

Checking the fraud to non-fraud ratio

100 เอ็กซ์พี

Plotting your data

100 เอ็กซ์พี

Increasing successful detections using data resampling

50 เอ็กซ์พี

Resampling methods for imbalanced data

50 เอ็กซ์พี

Applying SMOTE

100 เอ็กซ์พี

Compare SMOTE to original data

100 เอ็กซ์พี

Fraud detection algorithms in action

50 เอ็กซ์พี

Exploring the traditional way to catch fraud

100 เอ็กซ์พี

Using ML classification to catch fraud

100 เอ็กซ์พี

Logistic regression combined with SMOTE

100 เอ็กซ์พี

Using a pipeline

100 เอ็กซ์พี

เริ่มบท

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

50 เอ็กซ์พี

Natural hit rate

100 เอ็กซ์พี

Random Forest Classifier - part 1

100 เอ็กซ์พี

Random Forest Classifier - part 2

100 เอ็กซ์พี

Performance evaluation

50 เอ็กซ์พี

Performance metrics for the RF model

100 เอ็กซ์พี

Plotting the Precision Recall Curve

100 เอ็กซ์พี

Adjusting your algorithm weights

50 เอ็กซ์พี

Model adjustments

100 เอ็กซ์พี

Adjusting your Random Forest to fraud detection

100 เอ็กซ์พี

GridSearchCV to find optimal parameters

100 เอ็กซ์พี

Model results using GridSearchCV

100 เอ็กซ์พี

Ensemble methods

50 เอ็กซ์พี

Logistic Regression

100 เอ็กซ์พี

Voting Classifier

100 เอ็กซ์พี

Adjust weights within the Voting Classifier

100 เอ็กซ์พี

เริ่มบท

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

50 เอ็กซ์พี

Exploring your data

100 เอ็กซ์พี

Customer segmentation

100 เอ็กซ์พี

Using statistics to define normal behavior

100 เอ็กซ์พี

Clustering methods to detect fraud

50 เอ็กซ์พี

Scaling the data

100 เอ็กซ์พี

K-means clustering

100 เอ็กซ์พี

Elbow method

100 เอ็กซ์พี

Assigning fraud versus non-fraud

50 เอ็กซ์พี

Detecting outliers

100 เอ็กซ์พี

Checking model results

100 เอ็กซ์พี

Other clustering fraud detection methods

50 เอ็กซ์พี

100 เอ็กซ์พี

Assessing smallest clusters

100 เอ็กซ์พี

Checking results

100 เอ็กซ์พี

เริ่มบท

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

50 เอ็กซ์พี

Word search with dataframes

100 เอ็กซ์พี

Using list of terms

100 เอ็กซ์พี

Creating a flag

100 เอ็กซ์พี

Text mining to detect fraud

50 เอ็กซ์พี

Removing stopwords

100 เอ็กซ์พี

Cleaning text data

100 เอ็กซ์พี

Topic modeling on fraud

50 เอ็กซ์พี

Create dictionary and corpus

100 เอ็กซ์พี

100 เอ็กซ์พี

Flagging fraud based on topics

50 เอ็กซ์พี

Interpreting the topic model

50 เอ็กซ์พี

Finding fraudsters based on topic

100 เอ็กซ์พี

50 เอ็กซ์พี

เริ่มบท

Fraud Detection in Python

หลักสูตรเสร็จสมบูรณ์

ได้รับใบรับรองความสำเร็จ

เพิ่มข้อมูลรับรองนี้ลงในโปรไฟล์ LinkedIn, ประวัติย่อ หรือเรซูเม่ของคุณ
แชร์ลงในโซเชียลมีเดียและในรายงานประเมินผลการปฏิบัติงานของคุณลงทะเบียนเลย

เข้าร่วมกับ... 19 ล้านผู้เรียน และเริ่ม Fraud Detection in Python วันนี้เลย!

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile

พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา