ข้ามไปยังเนื้อหาหลัก

Courses

Fraud Detection in R

ระดับกลางระดับทักษะ

อัปเดตแล้ว 08/2567

Learn to detect fraud with analytics in R.

เริ่มเรียนหลักสูตรฟรี

RMachine Learning

4 ชม.

16 videos

49 Exercises

3,900 เอ็กซ์พี

7,527

คำแถลงแสดงความสำเร็จ

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

เป็นที่ชื่นชอบของผู้เรียนในบริษัทหลายพันแห่ง

Training a Team?

Try for Business

คำอธิบายรายวิชา

The Association of Certified Fraud Examiners estimates that fraud costs organizations worldwide $3.7 trillion a year and that a typical company loses five percent of annual revenue due to fraud. Fraud attempts are expected to even increase further in future, making fraud detection highly necessary in most industries. This course will show how learning fraud patterns from historical data can be used to fight fraud. Some techniques from robust statistics and digit analysis are presented to detect unusual observations that are likely associated with fraud. Two main challenges when building a supervised tool for fraud detection are the imbalance or skewness of the data and the various costs for different types of misclassification. We present techniques to solve these issues and focus on artificial and real datasets from a wide variety of fraud applications.

ข้อกำหนดเบื้องต้น

Unsupervised Learning in R Supervised Learning in R: Classification

1

Introduction & Motivation

This chapter will first give a formal definition of fraud. You will then learn how to detect anomalies in the type of payment methods used or the time these payments are made to flag suspicious transactions.

Introduction & Motivation

50 เอ็กซ์พี

Imbalanced class distribution

100 เอ็กซ์พี

Cost of not detecting fraud

100 เอ็กซ์พี

Time features

50 เอ็กซ์พี

Circular histogram

100 เอ็กซ์พี

Suspicious timestamps

100 เอ็กซ์พี

Frequency features

50 เอ็กซ์พี

Frequency feature for one account

100 เอ็กซ์พี

Frequency feature for multiple accounts

100 เอ็กซ์พี

Recency features

50 เอ็กซ์พี

Recency feature

100 เอ็กซ์พี

Comparing frequency & recency

100 เอ็กซ์พี

เริ่มบท

2

Social network analytics

In the second chapter, you will learn how to use networks to fight fraud. You will visualize networks and use a sociology concept called homophily to detect fraudulent transactions and catch fraudsters.

Social network analytics

50 เอ็กซ์พี

Analyzing a network

100 เอ็กซ์พี

Overlapping edges

100 เอ็กซ์พี

Fraud and social network analysis

50 เอ็กซ์พี

Looking for homophily in a network

100 เอ็กซ์พี

Visualizing node attributes

100 เอ็กซ์พี

Social network based inference

50 เอ็กซ์พี

Relational vs non-relational models

50 เอ็กซ์พี

Relational neighbor classifier

100 เอ็กซ์พี

Social network metrics

50 เอ็กซ์พี

Degree, closeness & betweenness

100 เอ็กซ์พี

Adding network features

100 เอ็กซ์พี

เริ่มบท

3

Imbalanced class distributions

Fortunately, fraud occurrences are rare. However, this means that you're working with imbalanced data, which if left as is will bias your detection models. In this chapter, you will tackle imbalance using over and under-sampling methods.

Dealing with imbalanced datasets

50 เอ็กซ์พี

How to deal with class imbalance?

50 เอ็กซ์พี

Visualizing patterns in the data

100 เอ็กซ์พี

Random over-sampling

100 เอ็กซ์พี

Random under-sampling

50 เอ็กซ์พี

Shrinking the majority group

100 เอ็กซ์พี

Combining ROS & RUS

100 เอ็กซ์พี

Synthetic Over-sampling

50 เอ็กซ์พี

Have you met SMOTE?

50 เอ็กซ์พี

100 เอ็กซ์พี

From dataset to detection model

50 เอ็กซ์พี

Build your own detection model

100 เอ็กซ์พี

True cost of fraud detection

100 เอ็กซ์พี

เริ่มบท

4

Digit analysis and robust statistics

In this final chapter, you will learn about a surprising mathematical law used to detect suspicious occurrences. You will then use robust statistics to make your models even more bulletproof.

Digit analysis using Benford's law

50 เอ็กซ์พี

Benford's Law for first digit

100 เอ็กซ์พี

Conformity of census data

100 เอ็กซ์พี

Benford's Law for fraud detection

50 เอ็กซ์พี

Conformity to Benford's Law

50 เอ็กซ์พี

Fire insurance claims

100 เอ็กซ์พี

Payments data set

100 เอ็กซ์พี

Detecting univariate outliers

50 เอ็กซ์พี

Computing robust z-scores

100 เอ็กซ์พี

100 เอ็กซ์พี

Detecting multivariate outliers

50 เอ็กซ์พี

Multivariate outlier detection

100 เอ็กซ์พี

เริ่มบท

Fraud Detection in R

หลักสูตรเสร็จสมบูรณ์

ได้รับใบรับรองความสำเร็จ

เพิ่มข้อมูลรับรองนี้ลงในโปรไฟล์ LinkedIn, ประวัติย่อ หรือเรซูเม่ของคุณ
แชร์ลงในโซเชียลมีเดียและในรายงานประเมินผลการปฏิบัติงานของคุณลงทะเบียนเลย

สำหรับธุรกิจ

ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?

ให้ทีมของคุณเข้าถึงแพลตฟอร์ม DataCamp แบบเต็มรูปแบบ รวมถึงฟีเจอร์ทั้งหมด

instructors

Bart Baesens

Bart Baesens

Professor in Analytics and Data Science at KU Leuven

collaborators

Courses resources

Chapter 1 datasetsdatasets

Chapter 2 datasetsdatasets

Chapter 3 datasetsdatasets

Chapter 4 datasetsdatasets

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

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile

พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา