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 to fraud detection

Checking the fraud to non-fraud ratio

Plotting your data

Increasing successful detections using data resampling

Resampling methods for imbalanced data

Applying SMOTE

Compare SMOTE to original data

Fraud detection algorithms in action

Exploring the traditional way to catch fraud

Using ML classification to catch fraud

Logistic regression combined with SMOTE

Using a 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.

Utilizzare i dati testuali

Ricerca di parole con i dataframe

Uso di una lista di termini

Creare un flag

Text mining per rilevare le frodi

Rimozione delle stopword

Pulizia dei dati testuali

Topic modeling sulla frode

Crea dizionario e corpus

Modello LDA

Segnalare le frodi in base agli argomenti

Interpretare il topic model

Individuare i truffatori in base all’argomento

Ricapitolo

Fraud detection using text

Chapter 1 datasets

Chapter 2 datasets

Chapter 3 datasets

Chapter 4 datasets

Si stima che un'organizzazione tipica perda il 5% dei propri ricavi annuali a causa delle frodi. In questo corso imparerai a combattere le frodi usando i dati. Per esempio, vedrai come applicare algoritmi di apprendimento supervisionato per individuare comportamenti fraudolenti simili a quelli passati, e metodi di apprendimento non supervisionato per scoprire nuove tipologie di attività fraudolente. Inoltre, nell'analisi delle frodi ci si trova spesso di fronte a insiemi di dati fortemente sbilanciati quando si classificano frodi versus non-frodi, e durante il corso imparerai alcune tecniche per gestire questa situazione. Il corso offre un mix di approfondimenti tecnici e teorici e ti mostra in pratica come implementare modelli di rilevamento delle frodi. In più, riceverai suggerimenti e consigli basati sull'esperienza reale per aiutarti a evitare gli errori più comuni nell'analisi delle frodi.

Unsupervised Learning in Python

Supervised Learning with scikit-learn

Impara a rilevare frodi con Python usando dati riequilibrati, apprendimento supervisionato e K-means.

Rilevamento delle frodi in Python

Impara a individuare le frodi usando Python.

Interpretare il topic model

Rilevamento delle frodi in Python

Esercizio pratico interattivo