Ten rozdział zaczyna się od formalnej definicji oszustwa. Następnie nauczysz się wykrywać anomalie w rodzajach używanych metod płatności oraz w godzinach dokonywania transakcji, aby oznaczać podejrzane operacje.

Wprowadzenie i motywacja

Niezrównoważony rozkład klas

Koszt niewykrycia oszustwa

Cechy czasowe

Kołowy histogram

Podejrzane znaczniki czasu

Cechy częstotliwości

Cecha częstotliwości dla jednego konta

Cecha częstotliwości dla wielu kont

Cechy aktualności

Cecha aktualności

Porównanie częstotliwości i aktualności

W drugim rozdziale poznasz sposoby wykorzystania sieci do walki z oszustwami. Nauczysz się wizualizować sieci i korzystać z socjologicznego pojęcia homofylii, aby wykrywać fałszywe transakcje i identyfikować oszustów.

Analityka sieci społecznych

Analiza sieci

Nakładające się krawędzie

Wykrywanie oszustw a analiza sieci społecznych

Szukanie homofili w sieci

Wizualizacja atrybutów węzłów

Wnioskowanie oparte na sieciach społecznych

Modele relacyjne i nierelacyjne

Klasyfikator sąsiedztwa relacyjnego

Metryki sieci społecznościowych

Stopień, bliskość i pośrednictwo

Dodawanie cech sieci

Analiza sieci społecznych

Na szczęście oszustwa zdarzają się rzadko. Oznacza to jednak, że pracujesz z niezbalansowanymi danymi, które – jeśli nie zostaną odpowiednio przetworzone – będą zaburzać wyniki modeli wykrywania. W tym rozdziale zajmiesz się problemem niezbalansowania za pomocą metod nadpróbkowania i podpróbkowania.

Radzenie sobie z niezbalansowanymi zbiorami danych

Jak radzić sobie z niezbalansowaniem klas?

Wizualizacja wzorców w danych

Losowe próbkowanie nadmierne

Losowe próbkowanie z redukcją

Zmniejszanie grupy większościowej

Łączenie ROS i RUS

Syntetyczne nadpróbkowanie

Czy znasz już SMOTE?

SMOTE

Od zbioru danych do modelu wykrywania

Zbuduj własny model wykrywania oszustw

Rzeczywisty koszt wykrywania oszustw

Niezbalansowane rozkłady klas

W ostatnim rozdziale poznasz zaskakujące prawo matematyczne, które służy do wykrywania podejrzanych zjawisk. Następnie wykorzystasz statystykę odporną, aby uczynić swoje modele jeszcze bardziej niezawodnymi.

Analiza cyfr z wykorzystaniem prawa Benforda

Prawo Benforda dla pierwszej cyfry

Zgodność danych spisowych z prawem Benforda

Prawo Benforda w wykrywaniu oszustw

Zgodność z prawem Benforda

Roszczenia z tytułu ubezpieczenia od ognia

Zbiór danych płatności

Wykrywanie wartości odstających w jednej zmiennej

Obliczanie odpornych z-score'ów

Wykres pudełkowy

Wykrywanie wartości odstających w wielu wymiarach

Wielowymiarowe wykrywanie wartości odstających

Analiza cyfr i statystyka odporna

Chapter 3 datasets

Chapter 1 datasets

Chapter 4 datasets

Chapter 2 datasets

Według szacunków Stowarzyszenia Certyfikowanych Ekspertów ds. Oszustw oszustwa kosztują organizacje na całym świecie 3,7 biliona dolarów rocznie, a typowa firma traci przez nie około pięciu procent rocznych przychodów. Liczba prób oszustw ma w przyszłości jeszcze wzrosnąć, co sprawia, że ich wykrywanie staje się niezbędne w większości branż. Ten kurs pokaże, jak wykorzystać wzorce oszustw z danych historycznych w walce z nadużyciami. Omówione zostaną techniki z zakresu statystyki odpornej i analizy cyfr, służące do wykrywania nietypowych obserwacji, które mogą wskazywać na oszustwo. Dwa główne wyzwania przy budowaniu nadzorowanego narzędzia do wykrywania oszustw to niezbalansowanie danych oraz różne koszty poszczególnych typów błędnych klasyfikacji. Przedstawiamy techniki rozwiązywania tych problemów i skupiamy się na zbiorach danych – zarówno syntetycznych, jak i rzeczywistych – z szerokiego spektrum zastosowań związanych z wykrywaniem oszustw.

Unsupervised Learning in R

Supervised Learning in R: Classification

Naucz się wykrywać oszustwa za pomocą analizy anomalii, wizualizacji sieci i statystyki w R.

Wykrywanie oszustw w R

Naucz się wykrywać oszustwa za pomocą analityki w R.

Jak radzić sobie z niezbalansowaniem klas?

Wykrywanie oszustw w R

Interaktywne ćwiczenie praktyczne