In diesem Kapitel lernst du die typischen Herausforderungen der Betrugserkennung kennen und erfährst, wie du deine Daten clever neu sampelst, um Probleme mit unausgewogenen Daten zu bewältigen.

Einführung in die Betrugserkennung

Überprüfung des Verhältnisses von Betrug zu Nicht-Betrug

Deine Daten plotten

Mehr erfolgreiche Erkennungen durch Daten-Resampling

Resampling-Methoden für unausgewogene Daten

SMOTE anwenden

SMOTE mit Originaldaten vergleichen

Betrugserkennungsalgorithmen in Aktion

Den klassischen Weg zur Betrugserkennung erkunden

Betrug mit ML-Klassifikation aufdecken

Logistische Regression kombiniert mit SMOTE

Eine Pipeline verwenden

Einführung und Datenvorbereitung

Nachdem du nun mit den wichtigsten Herausforderungen der Betrugserkennung vertraut bist, lernst du, wie du mit überwachtem Lernen betrügerische Transaktionen markierst. Du wirst Klassifikatoren verwenden, anpassen und vergleichen, um das effizienteste Modell zur Betrugserkennung zu finden.

Überblick über Klassifikationsmethoden

Natürliche Trefferquote

Random Forest Classifier – Teil 1

Random-Forest-Klassifikator – Teil 2

Leistungsbewertung

Leistungskennzahlen für das RF-Modell

Die Precision-Recall-Kurve plotten

Gewichte deines Algorithmus anpassen

Modellanpassungen

Deinen Random Forest für Fraud Detection anpassen

GridSearchCV zur Ermittlung optimaler Hyperparameter

Modellergebnisse mit GridSearchCV

Ensemble-Methoden

Logistische Regression

Voting Classifier

Gewichte im Voting Classifier anpassen

Betrugserkennung mit gelabelten Daten

Dieses Kapitel konzentriert sich auf unüberwachte Lerntechniken zur Betrugserkennung. Du segmentierst Kundinnen und Kunden, nutzt K‑Means‑Clustering und andere Clustering‑Algorithmen, um verdächtige Vorkommnisse in deinen Daten zu finden.

Normales vs. abnormales Verhalten

Deine Daten erkunden

Kundensegmentierung

Mit Statistik normales Verhalten definieren

Clustering-Methoden zur Betrugserkennung

Daten skalieren

K-Means-Clustering

Elbow-Methode

Betrug versus Nicht-Betrug zuordnen

Ausreißer erkennen

Modellergebnisse prüfen

Weitere Clustering-Verfahren zur Betrugserkennung

DBSCAN

Bewertung der kleinsten Cluster

Ergebnisse prüfen

Betrugserkennung mit ungelabelten Daten

In diesem letzten Kapitel nutzt du Textdaten, Text Mining und Topic Modeling, um betrügerisches Verhalten zu erkennen.

Textdaten nutzen

Wortsuche mit DataFrames

Eine Liste von Begriffen verwenden

Eine Flag erstellen

Text Mining zur Betrugserkennung

Stoppwörter entfernen

Textdaten bereinigen

Themenmodellierung bei Betrug

Wörterbuch und Korpus erstellen

LDA-Modell

Betrug anhand von Themen kennzeichnen

Das Topic-Modell interpretieren

Betrüger anhand von Topics finden

Zusammenfassung

Betrugserkennung mit Text

Chapter 1 datasets

Chapter 2 datasets

Chapter 3 datasets

Chapter 4 datasets

Ein typisches Unternehmen verliert schätzungsweise 5 % seines Jahresumsatzes durch Betrug. In diesem Kurs lernst du, wie du mit Daten gegen Betrug vorgehst. Du erfährst zum Beispiel, wie du überwachte Lernalgorithmen einsetzt, um betrügerisches Verhalten zu erkennen, das früheren Mustern ähnelt, und wie du unüberwachte Methoden nutzt, um neue Arten von betrügerischen Aktivitäten aufzuspüren. Außerdem arbeitest du in der Betrugsanalytik oft mit stark unausgewogenen Datensätzen, wenn du Betrug gegenüber Nicht‑Betrug klassifizierst. In diesem Kurs lernst du Techniken kennen, um damit umzugehen. Der Kurs bietet eine Mischung aus technischen und theoretischen Einblicken und zeigt dir praktisch, wie du Modelle zur Betrugserkennung umsetzt. Zusätzlich bekommst du Tipps und Ratschläge aus der Praxis, damit du typische Fehler in der Betrugsanalytik vermeidest.

Unsupervised Learning in Python

Supervised Learning with scikit-learn

Lerne Betrugserkennung mit Python durch Resampling, überwachtes Lernen, Segmentierung und K-Means.

Betrugserkennung mit Python

In diesem Kurs bekommst du praxisnah vermittelt, wie du mit Python Betrug erkennst.

Betrug anhand von Themen kennzeichnen

Create Your Free Account