After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Звичайна організація втрачає орієнтовно 5% річного доходу через шахрайство. У цьому курсі ви навчитеся протидіяти шахрайству за допомогою даних. Наприклад, ви дізнаєтеся, як застосовувати алгоритми з навчанням із учителем для виявлення шахрайської поведінки, подібної до минулих випадків, а також методи навчання без учителя, щоб знаходити нові типи шахрайських дій. Крім того, в аналітиці шахрайства часто доводиться мати справу з дуже незбалансованими наборами даних під час класифікації шахрайства проти не-шахрайства, і впродовж курсу ви опanuєте кілька прийомів, як із цим працювати. Курс поєднує технічні та теоретичні аспекти й показує на практиці, як реалізувати моделі виявлення шахрайства. Також ви отримаєте поради та рекомендації з реального досвіду, щоб уникати типових помилок в аналітиці шахрайства.
Попередні вимоги
Навчальний план
Зміст курсу
1
Вступ і підготовка даних
У цьому розділі ви дізнаєтеся про типові виклики, пов'язані з виявленням шахрайства, і навчитеся розумно робити ресемплінг даних, щоб впоратися з проблемою незбалансованих даних.
- Вступ до виявлення шахрайства50 XP
- Перевірка співвідношення «шахрайство — не шахрайство»100 XP
- Візуалізація ваших даних100 XP
- Збільшення кількості вдалих виявлень за допомогою ресемплінгу даних50 XP
- Методи повторного вибіркового добору для незбалансованих даних50 XP
- Застосування SMOTE100 XP
- Порівняйте SMOTE з початковими даними100 XP
- Алгоритми виявлення шахрайства в дії50 XP
- Досліджуємо традиційний спосіб виявлення шахрайства100 XP
- Використання класифікації ML для виявлення шахрайства100 XP
- Логістична регресія в поєднанні зі SMOTE100 XP
- Використання конвеєра (pipeline)100 XP
2
Виявлення шахрайства з використанням розмічених даних
Тепер, коли ви знайомі з основними викликами виявлення шахрайства, ви навчитеся позначати шахрайські транзакції за допомогою навчання з учителем. Ви використаєте класифікатори, налаштуєте їх і порівняєте, щоб знайти найефективнішу модель виявлення шахрайства.
3
Виявлення шахрайства з використанням нерозмічених даних
Цей розділ зосереджено на використанні методів навчання без учителя для виявлення шахрайства. Ви сегментуєте клієнтів, застосуєте кластеризацію K-means та інші алгоритми кластеризації, щоб знаходити підозрілі випадки у ваших даних.
4
Виявлення шахрайства з використанням тексту
У фінальному розділі ви використаєте текстові дані, інтелектуальний аналіз текстів і тематичне моделювання для виявлення шахрайської поведінки.
Виявлення шахрайства в Python
Курс
завершено
