V této kapitole se seznámíš s typickými výzvami při detekci podvodů a naučíš se chytře převzorkovat data, aby ses vypořádal/a s problémy spojenými s nevyváženými datovými sadami.

Úvod do detekce podvodů

Kontrola poměru podvodných a legitimních transakcí

Vizualizace dat

Zvýšení úspěšnosti detekce pomocí převzorkování dat

Metody převzorkování pro nevyvážená data

Použití SMOTE

Porovnání SMOTE s původními daty

Algoritmy pro detekci podvodů v akci

Tradiční přístup k odhalování podvodů

Odhalování podvodů pomocí klasifikace v ML

Logistická regrese v kombinaci se SMOTE

Použití pipeline

Úvod a příprava dat

Teď, když znáš hlavní výzvy detekce podvodů, se naučíš označovat podvodné transakce pomocí řízeného učení. Budeš používat klasifikátory, dolaďovat je a porovnávat, abys našel/a nejúčinnější model pro detekci podvodů.

Přehled klasifikačních metod

Přirozená míra úspěšnosti

Random Forest Classifier – část 1

Klasifikátor Random Forest – část 2

Vyhodnocení výkonu modelu

Metriky výkonu pro model RF

Vykreslení křivky Precision-Recall

Úprava vah algoritmu

Úpravy modelu

Úprava náhodného lesa pro detekci podvodů

GridSearchCV pro nalezení optimálních parametrů

Výsledky modelu pomocí GridSearchCV

Ensemble metody

Logistická regrese

Voting Classifier

Úprava vah ve Voting Classifieru

Detekce podvodů s využitím označených dat

Tato kapitola se zaměřuje na použití technik neřízeného učení k detekci podvodů. Budeš segmentovat zákazníky, pracovat s algoritmem K-means a dalšími shlukovacími algoritmy, abys v datech odhalil/a podezřelé vzory.

Normální versus abnormální chování

Prozkoumání dat

Segmentace zákazníků

Využití statistik k definování normálního chování

Metody shlukování pro odhalování podvodů

Škálování dat

K-means clustering

Metoda lokte

Přiřazení podvodných a nepodvodných transakcí

Detekce odlehlých hodnot

Kontrola výsledků modelu

Další metody clusteringu pro detekci podvodů

DBSCAN

Hodnocení nejmenších shluků

Kontrola výsledků

Detekce podvodů s využitím neoznačených dat

V této závěrečné kapitole využiješ textová data, dolování textu a tematické modelování k odhalování podvodného jednání.

Práce s textovými daty

Hledání slov v dataframech

Použití seznamu výrazů

Vytvoření příznaku

Dolování textu pro odhalování podvodů

Odstraňování stopwords

Čištění textových dat

Téma modelování pro odhalování podvodů

Vytvoření slovníku a korpusu

LDA model

Odhalování podvodů na základě témat

Interpretace modelu témat

Hledání podvodníků pomocí topic modelingu

Shrnutí

Detekce podvodů pomocí textu

Chapter 1 datasets

Chapter 4 datasets

Chapter 3 datasets

Chapter 2 datasets

Typická organizace přijde odhadem o 5 % ročních příjmů kvůli podvodům. V tomto kurzu se naučíš, jak podvodům čelit pomocí dat. Například zjistíš, jak používat algoritmy řízeného učení k odhalování podvodného jednání podobného těm minulým, a také metody neřízeného učení k objevování nových typů podvodných aktivit. Při analýze podvodů navíc často pracuješ s výrazně nevyváženými datovými sadami při klasifikaci podvodů a legitimních transakcí – a v průběhu kurzu si osvojíš techniky, jak s tím pracovat. Kurz kombinuje technické a teoretické poznatky a ukáže ti, jak prakticky implementovat modely pro detekci podvodů. Navíc získáš tipy a rady z praxe, které ti pomůžou vyhnout se běžným chybám v analytice podvodů.

Unsupervised Learning in Python

Supervised Learning with scikit-learn

Naučte se detekovat podvody v Pythonu pomocí resamplingu, učení, segmentace, K-means a dolování dat.

Detekce podvodů v Pythonu

Naučte se detekovat podvody pomocí Pythonu.

Data Scientist

Metody clusteringu pro detekci podvodů

Clustering: hledání vzorů v datech

K-means clustering: vzdálenost od centroidů clusterů

Krok 3

Krok 4

Vložte název...

K-means clustering v Pythonu

Správný počet clusterů

Loketní křivka

Pojďme si procvičit!

Detekce podvodů s využitím neoznačených dat - Metody shlukování pro odhalování podvodů

Metody shlukování pro odhalování podvodů

Create Your Free Account