In this chapter, you'll learn about the typical challenges associated with fraud detection, and will learn how to resample your data in a smart way, to tackle problems with imbalanced data.

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

Introduction and preparing your data

Now that you're familiar with the main challenges of fraud detection, you're about to learn how to flag fraudulent transactions with supervised learning. You will use classifiers, adjust them, and compare them to find the most efficient fraud detection model.

Review of classification methods

Natural hit rate

Random Forest Classifier - part 1

Random Forest Classifier - part 2

Performance evaluation

Performance metrics for the RF model

Plotting the Precision Recall Curve

Adjusting your algorithm weights

Model adjustments

Adjusting your Random Forest to fraud detection

GridSearchCV to find optimal parameters

Model results using GridSearchCV

Ensemble methods

Logistic Regression

Voting Classifier

Adjust weights within the Voting Classifier

Fraud detection using labeled data

This chapter focuses on using unsupervised learning techniques to detect fraud. You will segment customers, use K-means clustering and other clustering algorithms to find suspicious occurrences in your data.

Normal versus abnormal behavior

Exploring your data

Customer segmentation

Using statistics to define normal behavior

Clustering methods to detect fraud

Scaling the data

K-means clustering

Elbow method

Assigning fraud versus non-fraud

Detecting outliers

Checking model results

Other clustering fraud detection methods

DBSCAN

Assessing smallest clusters

Checking results

Fraud detection using unlabeled data

In this final chapter, you will use text data, text mining, and topic modeling to detect fraudulent behavior.

Using text data

Word search with dataframes

Using list of terms

Creating a flag

Text mining to detect fraud

Removing stopwords

Cleaning text data

Topic modeling on fraud

Create dictionary and corpus

LDA model

Flagging fraud based on topics

Interpreting the topic model

Finding fraudsters based on topic

Recap

Fraud detection using 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.

Resampling-Methoden für unausgewogene Daten

Interaktive praktische Übung