700+ courses, half price
รายละเอียดคอร์ส
สมาคมผู้ตรวจสอบการฉ้อโกงที่ได้รับการรับรอง (ACFE) ประเมินว่าการฉ้อโกงสร้างความเสียหายให้องค์กรทั่วโลกปีละ 3.7 ล้านล้านดอลลาร์ และโดยเฉลี่ยบริษัทต่างๆ สูญเสียรายได้ประจำปีถึง 5 เปอร์เซ็นต์เนื่องจากการฉ้อโกง แนวโน้มนี้คาดว่าจะทวีความรุนแรงขึ้นในอนาคต ทำให้การตรวจจับการฉ้อโกงกลายเป็นสิ่งจำเป็นอย่างยิ่งในหลายอุตสาหกรรม คอร์สนี้จะแสดงให้เห็นว่าการเรียนรู้รูปแบบการฉ้อโกงจากข้อมูลในอดีตสามารถนำมาใช้ต่อสู้กับการฉ้อโกงได้อย่างไร นอกจากนี้ยังนำเสนอเทคนิคจากสถิติเชิงแกร่งและการวิเคราะห์ตัวเลขเพื่อตรวจจับข้อมูลผิดปกติที่อาจเชื่อมโยงกับการฉ้อโกง ความท้าทายหลักสองประการในการสร้างเครื่องมือตรวจจับการฉ้อโกงแบบ supervised ได้แก่ ความไม่สมดุลหรือความเบ้ของข้อมูล และต้นทุนที่แตกต่างกันของการจำแนกประเภทผิดพลาดแต่ละรูปแบบ คอร์สนี้นำเสนอเทคนิคเพื่อแก้ปัญหาเหล่านี้ และมุ่งเน้นไปที่ชุดข้อมูลทั้งแบบสังเคราะห์และแบบจริงจากงานประยุกต์ด้านการฉ้อโกงที่หลากหลาย
ข้อกำหนดเบื้องต้น
หลักสูตร
โครงร่างคอร์ส
1
บทนำและแรงจูงใจ
บทนี้จะเริ่มต้นด้วยการให้คำนิยามที่ชัดเจนของการฉ้อโกง จากนั้นจะเรียนรู้วิธีตรวจจับความผิดปกติในประเภทวิธีการชำระเงินที่ใช้ หรือช่วงเวลาที่ทำการชำระเงิน เพื่อระบุธุรกรรมที่น่าสงสัย
- บทนำและแรงจูงใจ50 XP
- การกระจายของคลาสที่ไม่สมดุล100 XP
- ต้นทุนของการไม่ตรวจจับการฉ้อโกง100 XP
- คุณลักษณะด้านเวลา50 XP
- ฮิสโตแกรมแบบวงกลม100 XP
- Timestamp ที่น่าสงสัย100 XP
- ฟีเจอร์ความถี่50 XP
- ฟีเจอร์ความถี่สำหรับบัญชีเดียว100 XP
- ฟีเจอร์ความถี่สำหรับหลายบัญชี100 XP
- ฟีเจอร์ความใหม่ของข้อมูล50 XP
- ฟีเจอร์ความใหม่ล่าสุด (Recency)100 XP
- เปรียบเทียบความถี่และความใหม่ล่าสุด100 XP
2
การวิเคราะห์เครือข่ายทางสังคม
ในบทที่สอง จะเรียนรู้วิธีใช้เครือข่ายเพื่อต่อสู้กับการฉ้อโกง ครอบคลุมการแสดงภาพเครือข่าย และการนำแนวคิดทางสังคมวิทยาที่เรียกว่า homophily มาใช้ตรวจจับธุรกรรมฉ้อโกงและจับผู้กระทำการฉ้อโกง
3
การกระจายของคลาสที่ไม่สมดุล
โชคดีที่การฉ้อโกงเกิดขึ้นได้ยาก อย่างไรก็ตาม นั่นหมายความว่าต้องทำงานกับข้อมูลที่ไม่สมดุล ซึ่งหากปล่อยไว้โดยไม่แก้ไขจะทำให้โมเดลตรวจจับเกิดความเอนเอียงได้ ในบทนี้จะเรียนรู้วิธีจัดการกับความไม่สมดุลโดยใช้เทคนิค over-sampling และ under-sampling
4
การวิเคราะห์ตัวเลขและสถิติเชิงแกร่ง
ในบทสุดท้ายนี้ จะได้เรียนรู้เกี่ยวกับกฎทางคณิตศาสตร์ที่น่าประหลาดใจซึ่งนำมาใช้ตรวจจับเหตุการณ์ที่น่าสงสัย จากนั้นจะนำสถิติเชิงแกร่งมาใช้เพื่อเพิ่มความน่าเชื่อถือและความทนทานของโมเดลให้ยิ่งขึ้น
R
การตรวจจับการฉ้อโกงใน R
เรียนคอร์สจบแล้ว

