Tato kapitola nejprve nabídne formální definici podvodu. Naučíš se, jak odhalovat anomálie v typech platebních metod nebo v čase, kdy jsou platby prováděny, a označovat tak podezřelé transakce.

Úvod a motivace

Nevyvážené rozdělení tříd

Náklady na neodhalení podvodu

Časové příznaky

Kruhový histogram

Podezřelé časové značky

Frekvenční příznaky

Frekvenční příznak pro jeden účet

Frekvenční příznak pro více účtů

Příznaky nedávnosti

Příznak aktuálnosti

Porovnání frekvence a aktuálnosti

Ve druhé kapitole se naučíš, jak využívat sítě v boji proti podvodům. Budeš vizualizovat sítě a použiješ sociologický koncept zvaný homofilie k odhalování podvodných transakcí a zachycení podvodníků.

Analytika sociálních sítí

Analýza sítě

Překrývající se hrany

Podvody a analýza sociálních sítí

Hledáme homofílii v síti

Vizualizace atributů uzlů

Inference na základě sociální sítě

Relační vs. nerelační modely

Klasifikátor relačních sousedů

Metriky sociálních sítí

Degree, closeness & betweenness

Přidávání síťových příznaků

Analýza sociálních sítí

Naštěstí jsou případy podvodů vzácné. To ale zároveň znamená, že pracuješ s nevyváženými daty, která mohou tvé detekční modely zkreslovat. V této kapitole se nevyváženosti zbavíš pomocí metod převzorkování a podvzorkování.

Práce s nevyváženými datasety

Jak pracovat s nevyváženými třídami?

Vizualizace vzorů v datech

Náhodné převzorkování navýšením

Náhodné podvzorkování

Zmenšení majoritní skupiny

Kombinace ROS a RUS

Syntetický over-sampling

Znáš SMOTE?

SMOTE

Od dat k detekčnímu modelu

Sestav vlastní detekční model

Skutečné náklady na odhalování podvodů

V závěrečné kapitole se seznámíš s překvapivým matematickým zákonem, který slouží k odhalování podezřelých jevů. Pak využiješ robustní statistiku, aby byly tvé modely ještě spolehlivější.

Analýza číslic pomocí Benfordova zákona

Benfordův zákon pro první číslici

Shoda dat ze sčítání lidu s Benfordovým zákonem

Benfordův zákon pro odhalování podvodů

Shoda s Benfordovým zákonem

Pojistné události pro požární pojištění

Dataset plateb

Detekce jednorozměrných odlehlých hodnot

Výpočet robustních z-skóre

Boxplot

Detekce mnohorozměrných odlehlých hodnot

Vícerozměrná detekce odlehlých hodnot

Analýza číslic a robustní statistika

Chapter 3 datasets

Chapter 1 datasets

Chapter 4 datasets

Chapter 2 datasets

Asociace certifikovaných vyšetřovatelů podvodů odhaduje, že podvody stojí organizace po celém světě 3,7 bilionu dolarů ročně a že typická společnost přichází kvůli podvodům o pět procent ročních příjmů. Počet pokusů o podvod se v budoucnu očekává ještě vyšší, takže jejich detekce je v mnoha odvětvích naprosto nezbytná. Tento kurz ukáže, jak lze využít vzory podvodů z historických dat k jejich odhalování. Představíme techniky z oblasti robustní statistiky a analýzy číslic pro detekci neobvyklých pozorování, která pravděpodobně souvisejí s podvody. Dvě hlavní výzvy při budování nástroje pro detekci podvodů jsou nevyváženost nebo zkosení dat a různé náklady spojené s různými typy chybné klasifikace. Ukážeme techniky, jak tyto problémy řešit, a zaměříme se na umělé i reálné datové sady z různých oblastí aplikací odhalování podvodů.

Unsupervised Learning in R

Supervised Learning in R: Classification

Naučte se detekovat podvody pomocí anomálií, vizualizace sítí, nevyvážených tříd a analýzy v R.

Detekce podvodů v R

Naučte se odhalovat podvody pomocí analytiky v R.

Professor Data Science at KU Leuven

Analýza času

Průměr časových razítek

Kruhový histogram s aritmetickým průměrem

Von Misesovo pravděpodobnostní rozdělení

Odhadnutí parametrů $\mu$ a $\kappa$

Kruhový histogram s periodickým průměrem

Interval spolehlivosti

Extrakce příznaků

Příklad

Interval spolehlivosti s klouzavým časovým oknem

Pojďme si procvičit!

Úvod a motivace - Časové příznaky

Časové příznaky

Create Your Free Account