In questo capitolo inizieremo con una definizione formale di frode. Imparerai poi a rilevare anomalie nel tipo di metodi di pagamento usati o nell’orario in cui vengono effettuati per segnalare transazioni sospette.

Introduzione e motivazioni

Distribuzione sbilanciata delle classi

Costo del mancato rilevamento delle frodi

Caratteristiche temporali

Istogramma circolare

Timestamp sospetti

Caratteristiche di frequenza

Caratteristica di frequenza per un conto

Caratteristica di frequenza per più account

Caratteristiche di recency

Feature di recency

Confrontare frequenza e recenza

Nel secondo capitolo imparerai a usare le reti per combattere le frodi. Visualizzerai le reti e userai un concetto della sociologia chiamato omofilia per individuare transazioni fraudolente e smascherare i truffatori.

Analisi dei social network

Analizzare una rete

Archi sovrapposti

Frode e analisi delle reti sociali

Cercare l’omofilia in una rete

Visualizzare gli attributi dei nodi

Inferenza basata sui social network

Modelli relazionali vs non relazionali

Classificatore del vicino relazionale

Metriche dei social network

Degree, closeness & betweenness

Aggiungere feature di rete

Analisi delle reti sociali

Per fortuna, le frodi sono eventi rari. Tuttavia, questo significa lavorare con dati sbilanciati che, se lasciati così, introdurranno bias nei tuoi modelli di rilevamento. In questo capitolo affronterai lo sbilanciamento usando metodi di over- e under-sampling.

Gestire insiemi di dati sbilanciati

Come gestire lo sbilanciamento delle classi?

Visualizzare i pattern nei dati

Over-sampling casuale

Under-sampling casuale

Ridurre il gruppo di maggioranza

Combinare ROS e RUS

Over-sampling sintetico

Hai già incontrato SMOTE?

SMOTE

Dall'insieme di dati al modello di rilevamento

Crea il tuo modello di rilevamento

Il vero costo del fraud detection

Distribuzioni di classe sbilanciate

In questo capitolo finale conoscerai una sorprendente legge matematica usata per scoprire eventi sospetti. Userai poi la statistica robusta per rendere i tuoi modelli ancora più a prova di errore.

Analisi delle cifre con la legge di Benford

Legge di Benford per la prima cifra

Conformità dei dati del censimento

La legge di Benford per la rilevazione delle frodi

Conformità alla Legge di Benford

Richieste di indennizzo per incendi

Insieme di dati sui pagamenti

Individuare outlier univariati

Calcolo degli z-score robusti

Boxplot

Individuare outlier multivariati

Rilevamento di outlier multivariati

Analisi delle cifre e statistica robusta

Chapter 1 datasets

Chapter 2 datasets

Chapter 3 datasets

Chapter 4 datasets

L'Association of Certified Fraud Examiners stima che le frodi costino alle organizzazioni di tutto il mondo 3,7 trilioni di dollari all'anno e che un'azienda tipica perda il cinque percento dei ricavi annuali a causa delle frodi. Si prevede che i tentativi di frode aumenteranno ulteriormente in futuro, rendendo il rilevamento delle frodi fondamentale nella maggior parte dei settori. Questo corso mostra come l'apprendimento dei modelli di frode dai dati storici possa essere usato per contrastare le frodi. Vengono presentate alcune tecniche di statistica robusta e analisi delle cifre per individuare osservazioni insolite probabilmente associate a frodi. Due sfide principali nella costruzione di uno strumento supervisionato per il rilevamento delle frodi sono lo squilibrio o l’asimmetria dei dati e i costi diversi dei vari tipi di errata classificazione. Presentiamo tecniche per affrontare questi problemi e ci concentriamo su insiemi di dati artificiali e reali provenienti da un'ampia gamma di applicazioni legate alle frodi.

Unsupervised Learning in R

Supervised Learning in R: Classification

Impara a rilevare le frodi con rilevamento anomalie, visualizzazione reti sociali e analisi in R.

Rilevamento delle frodi in R

Impara a beccare le frodi con l'analisi dei dati in R.

Conformità alla Legge di Benford

Rilevamento delle frodi in R

esercizio interattivo pratico