In diesem Kapitel erhältst du zunächst eine formale Definition von Betrug. Anschließend lernst du, wie du Auffälligkeiten bei verwendeten Zahlungsmethoden oder bei den Zahlungszeitpunkten erkennst, um verdächtige Transaktionen zu markieren.

Einführung & Motivation

Unausgewogene Klassenverteilung

Kosten, wenn Betrug nicht erkannt wird

Zeitmerkmale

Zirkuläres Histogramm

Verdächtige Zeitstempel

Frequenzmerkmale

Häufigkeitsfeature für ein Konto

Häufigkeitsmerkmal für mehrere Konten

Recency-Features

Recency-Feature

Frequenz und Recency vergleichen

Im zweiten Kapitel lernst du, wie du Netzwerke zur Betrugsbekämpfung einsetzt. Du visualisierst Netzwerke und nutzt ein soziologisches Konzept namens Homophilie, um betrügerische Transaktionen aufzuspüren und Betrüger zu fassen.

Analysen sozialer Netzwerke

Ein Netzwerk analysieren

Überlappende Kanten

Betrug und Social-Network-Analyse

Homophilie in einem Netzwerk suchen

Knotenattribute visualisieren

Schlussfolgern mit sozialen Netzwerken

Relationale vs. nicht-relationale Modelle

Relational Neighbor Classifier

Kennzahlen in sozialen Netzwerken

Degree, Closeness & Betweenness

Netzwerkmerkmale hinzufügen

Social Network Analytics

Zum Glück kommt Betrug selten vor. Das bedeutet jedoch, dass du mit unausgeglichenen Daten arbeitest, die deine Erkennungsmodelle verzerren, wenn du nichts unternimmst. In diesem Kapitel gehst du das Ungleichgewicht mit Over- und Under-Sampling-Methoden an.

Umgang mit unausgewogenen Datensätzen

Wie geht man mit Klassenungleichgewicht um?

Muster in den Daten visualisieren

Zufälliges Over-Sampling

Zufälliges Under-Sampling

Die Mehrheitsgruppe verkleinern

ROS & RUS kombinieren

Synthetisches Oversampling

Kennst du SMOTE?

SMOTE

Vom Datensatz zum Erkennungsmodell

Baue dein eigenes Erkennungsmodell

Die wahren Kosten der Betrugserkennung

Unausgewogene Klassenverteilungen

In diesem letzten Kapitel lernst du ein überraschendes mathematisches Gesetz kennen, mit dem sich verdächtige Vorkommnisse erkennen lassen. Anschließend setzt du robuste Statistik ein, um deine Modelle noch widerstandsfähiger zu machen.

Ziffernanalyse mit Benfords Gesetz

Benfordsches Gesetz für die erste Ziffer

Übereinstimmung von Volkszählungsdaten

Benfords Gesetz zur Betrugserkennung

Konformität mit Benfords Gesetz

Brandschadenmeldungen

Zahlungsdatensatz

Univariate Ausreißer erkennen

Robuste z-Scores berechnen

Boxplot

Multivariate Ausreißer erkennen

Multivariate Ausreißererkennung

Ziffernanalyse und robuste Statistik

Chapter 1 datasets

Chapter 2 datasets

Chapter 3 datasets

Chapter 4 datasets

Die Association of Certified Fraud Examiners schätzt, dass Betrug Organisationen weltweit jährlich 3,7 Billionen US‑Dollar kostet und dass ein typisches Unternehmen fünf Prozent seines Jahresumsatzes durch Betrug verliert. In Zukunft ist mit noch mehr Betrugsversuchen zu rechnen – umso wichtiger ist Betrugserkennung in den meisten Branchen. In diesem Kurs lernst du, wie sich aus historischen Daten Betrugsmuster ableiten lassen, um Betrug zu bekämpfen. Wir zeigen Verfahren aus der robusten Statistik und der Ziffernanalyse, um ungewöhnliche Auffälligkeiten zu erkennen, die wahrscheinlich mit Betrug zusammenhängen. Zwei zentrale Herausforderungen beim Aufbau eines überwachtes Lernverfahrens zur Betrugserkennung sind unausgeglichene bzw. schiefe Daten und unterschiedliche Kosten für verschiedene Fehlklassifikationen. Wir stellen Techniken vor, um diese Probleme zu lösen, und konzentrieren uns auf künstliche und reale Datensätze aus vielfältigen Betrugsanwendungen.

Unsupervised Learning in R

Supervised Learning in R: Classification

Lerne Betrugserkennung mit Anomalieerkennung, Netzwerkvisualisierung, ungleichen Klassen in R.

Fraud Detection in R

Dieser Kurs gibt dir das nötige Fundament, um mit Analytics in R effektiv Betrug zu erkennen.

Relationale vs. nicht-relationale Modelle

Interaktive praktische Übung