En este capítulo conocerás los desafíos habituales de la detección de fraude y aprenderás a remuestrear tus datos de forma inteligente para abordar los problemas de desbalanceo.

Introducción a la detección de fraude

Comprobando la proporción fraude/no fraude

Representar tus datos

Aumentar las detecciones exitosas mediante remuestreo de datos

Métodos de remuestreo para datos desbalanceados

Aplicar SMOTE

Compara SMOTE con los datos originales

Algoritmos de detección de fraude en acción

Explorar la forma tradicional de detectar fraude

Usar clasificación de ML para detectar fraude

Regresión logística combinada con SMOTE

Usar un pipeline

Introducción y preparación de los datos

Ahora que ya conoces los principales desafíos de la detección de fraude, vas a aprender a marcar transacciones fraudulentas con aprendizaje supervisado. Usarás clasificadores, los ajustarás y los compararás para encontrar el modelo de detección de fraude más eficiente.

Repaso de los métodos de clasificación

Tasa de acierto natural

Clasificador Random Forest - parte 1

Random Forest Classifier - parte 2

Evaluación del rendimiento

Métricas de rendimiento para el modelo de RF

Representación de la curva Precision-Recall

Ajusta los pesos de tu algoritmo

Ajustes del modelo

Ajusta tu Random Forest para la detección de fraude

GridSearchCV para encontrar los parámetros óptimos

Resultados del modelo usando GridSearchCV

Métodos de conjunto

Regresión logística

Voting Classifier

Ajusta los pesos en el Voting Classifier

Detección de fraude con datos etiquetados

Este capítulo se centra en el uso de técnicas de aprendizaje no supervisado para detectar fraude. Segmentarás clientes, utilizarás clustering K-means y otros algoritmos de clustering para encontrar sucesos sospechosos en tus datos.

Comportamiento normal frente a anómalo

Explora tus datos

Segmentación de clientes

Usar estadística para definir el comportamiento normal

Métodos de clustering para detectar fraude

Escalar los datos

Clustering K-means

Método del codo

Asignar fraude frente a no fraude

Detección de valores atípicos

Comprobando los resultados del modelo

Otros métodos de detección de fraude mediante clustering

DBSCAN

Evaluar los clusters más pequeños

Comprobar resultados

Detección de fraude con datos no etiquetados

En este último capítulo, utilizarás datos de texto, minería de texto y modelado de temas para detectar comportamientos fraudulentos.

Usar datos de texto

Búsqueda de palabras con dataframes

Usar una lista de términos

Crear un indicador

Minería de texto para detectar fraude

Eliminar stopwords

Limpieza de datos de texto

Modelado de temas en fraude

Crea el diccionario y el corpus

Modelo LDA

Marcar fraude según temas

Interpretar el modelo de temas

Encontrar defraudadores según el tema

Resumen

Detección de fraude con texto

Chapter 1 datasets

Chapter 4 datasets

Chapter 3 datasets

Chapter 2 datasets

Se estima que una organización típica pierde un 5% de sus ingresos anuales por fraude. En este curso aprenderás a combatir el fraude utilizando datos. Por ejemplo, verás cómo aplicar algoritmos de aprendizaje supervisado para detectar comportamientos fraudulentos similares a los del pasado, y métodos de aprendizaje no supervisado para descubrir nuevos tipos de actividades fraudulentas. Además, en analítica de fraude a menudo te enfrentas a conjuntos de datos muy desbalanceados al clasificar fraude frente a no fraude, y durante el curso aprenderás técnicas para gestionar esta situación. El curso combina ideas técnicas y teóricas y te muestra, paso a paso, cómo implementar en la práctica modelos de detección de fraude. También recibirás consejos y buenas prácticas basadas en experiencias reales para ayudarte a evitar errores comunes en analítica de fraude.

Unsupervised Learning in Python

Supervised Learning with scikit-learn

Aprende a detectar fraudes con Python usando datos desbalanceados, aprendizaje supervisado y K-means.

Resumen

Create Your Free Account