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.

Introduction à la détection de fraude

Vérifier le ratio fraude/non-fraude

Visualiser vos données

Améliorer les détections réussies grâce au rééchantillonnage des données

Méthodes de rééchantillonnage pour des données déséquilibrées

Appliquer SMOTE

Comparer SMOTE aux données originales

Algorithmes de détection de fraude en action

Explorer la méthode traditionnelle pour détecter la fraude

Utiliser la classification ML pour détecter la fraude

Régression logistique combinée avec SMOTE

Utiliser un pipeline

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

Une organisation typique perd environ 5 % de son chiffre d’affaires annuel à cause de la fraude. Dans ce cours, vous apprendrez à lutter contre la fraude en exploitant les données. Par exemple, vous verrez comment appliquer des algorithmes de supervised learning pour repérer des comportements frauduleux similaires à ceux du passé, ainsi que des méthodes d’unsupervised learning pour découvrir de nouveaux types d’activités frauduleuses. De plus, en analytique de la fraude, vous devez souvent traiter des jeux de données fortement déséquilibrés lors du classement fraude versus non-fraude ; au fil du cours, vous découvrirez des techniques pour y faire face. Le cours combine des aspects techniques et théoriques et vous montre concrètement comment mettre en œuvre des modèles de détection de fraude. Vous recevrez également des conseils pratiques issus du terrain pour éviter les erreurs courantes en analytique de la fraude.

Unsupervised Learning in Python

Supervised Learning with scikit-learn

Apprenez à détecter la fraude avec Python : rééchantillonnage, apprentissage supervisé, K-means.

Détection de fraude en Python

Apprenez à détecter les fraudes à l'aide de Python.

Méthodes de rééchantillonnage pour des données déséquilibrées

Exercice interactif pratique