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.

Revisão de métodos de classificação

Taxa de acerto natural

Random Forest Classifier - parte 1

Random Forest Classifier - parte 2

Avaliação de desempenho

Métricas de desempenho para o modelo de RF

Plotando a Curva Precisão-Recall

Ajustando os pesos do seu algoritmo

Ajustes de modelo

Ajustando sua Random Forest para detecção de fraude

GridSearchCV para encontrar os melhores parâmetros

Resultados do modelo usando GridSearchCV

Métodos de ensemble

Regressão Logística

Classificador por Votação

Ajuste pesos no 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

Uma organização típica perde cerca de 5% de sua receita anual por causa de fraudes. Neste curso, você vai aprender a combater fraudes usando dados. Por exemplo, vai ver como aplicar algoritmos de aprendizado supervisionado para detectar comportamentos fraudulentos semelhantes aos do passado e métodos de aprendizado não supervisionado para descobrir novos tipos de atividade fraudulenta. Além disso, em análises de fraude é comum lidar com conjuntos de dados altamente desbalanceados ao classificar fraude versus não fraude, e ao longo do curso você vai aprender algumas técnicas para tratar esse problema. O curso combina insights técnicos e teóricos e mostra, na prática, como implementar modelos de detecção de fraudes. Você também receberá dicas e conselhos baseados em experiência real para evitar erros comuns em análises de fraude.

Unsupervised Learning in Python

Supervised Learning with scikit-learn

Aprenda a detectar fraudes com Python usando dados desbalanceados, aprendizado supervisionado e K-means.

Detecção de Fraudes em Python

Aprenda a detectar fraudes usando Python.

Random Forest Classifier - parte 2

Detecção de Fraudes em Python

exercicio interativo prático