Neste capítulo, vamos primeiro apresentar uma definição formal de fraude. Depois, você vai aprender a detectar anomalias no tipo de métodos de pagamento usados ou no momento em que esses pagamentos são feitos para sinalizar transações suspeitas.

Introdução e motivação

Distribuição desequilibrada de classes

Custo de não detectar fraudes

Recursos de tempo

Histograma circular

Carimbos de tempo suspeitos

Recursos de frequência

Recurso de frequência para uma conta

Recurso de frequência para várias contas

Atributos de recência

Recurso de recência

Comparando frequência e recência

Introdução e Motivação

No segundo capítulo, você vai aprender a usar redes para combater fraudes. Você vai visualizar redes e usar um conceito da sociologia chamado homofilia para detectar transações fraudulentas e identificar fraudadores.

Análise de redes sociais

Analisando uma rede

Arestas sobrepostas

Fraude e análise de redes sociais

Buscando homofilia em uma rede

Visualizando atributos dos nós

Inferência baseada em redes sociais

Modelos relacionais vs não relacionais

Classificador de vizinhos relacionais

Métricas de redes sociais

Degree, closeness & betweenness

Adicionando features de rede

Felizmente, ocorrências de fraude são raras. Porém, isso significa que você está trabalhando com dados desbalanceados que, se mantidos como estão, vão enviesar seus modelos de detecção. Neste capítulo, você vai lidar com o desbalanceamento usando métodos de over e under-sampling.

Lidando com conjuntos de dados desbalanceados

Como lidar com o desbalanceamento de classes?

Visualizando padrões nos dados

Sobreamostragem aleatória

Subamostragem aleatória

Reduzindo o grupo majoritário

Combinando ROS & RUS

Over-sampling sintético

Você já conhece o SMOTE?

SMOTE

Do conjunto de dados ao modelo de detecção

Crie seu próprio modelo de detecção

Custo real da detecção de fraude

Distribuições de classes desbalanceadas

Neste capítulo final, você vai conhecer uma lei matemática surpreendente usada para detectar ocorrências suspeitas. Em seguida, vai usar estatística robusta para deixar seus modelos ainda mais à prova de falhas.

Análise de dígitos usando a lei de Benford

Lei de Benford para o primeiro dígito

Conformidade de dados do censo

Lei de Benford para detecção de fraudes

Conformidade com a Lei de Benford

Sinistros de seguro contra incêndio

Conjunto de dados de pagamentos

Detectando outliers univariados

Calculando z-scores robustos

Boxplot

Detectando outliers multivariados

Detecção de outliers multivariados

Análise de dígitos e estatística robusta

Chapter 1 datasets

Chapter 2 datasets

Chapter 3 datasets

Chapter 4 datasets

A Association of Certified Fraud Examiners estima que fraudes custam às organizações no mundo todo US$ 3,7 trilhões por ano e que uma empresa típica perde cinco por cento da receita anual devido a fraudes. A expectativa é que as tentativas de fraude aumentem ainda mais no futuro, tornando a detecção de fraudes essencial na maioria dos setores. Neste curso, você verá como aprender padrões de fraude a partir de dados históricos pode ajudar a combatê-la. Serão apresentadas técnicas de estatística robusta e análise de dígitos para detectar observações incomuns que provavelmente estão associadas a fraudes. Dois grandes desafios ao criar uma ferramenta supervisionada para detecção de fraudes são o desbalanceamento ou viés dos dados e os diferentes custos para cada tipo de erro de classificação. Apresentamos técnicas para resolver essas questões e focamos em conjuntos de dados artificiais e reais de uma ampla variedade de aplicações de fraude.

Unsupervised Learning in R

Supervised Learning in R: Classification

Aprenda a detectar fraudes com detecção de anomalias, redes sociais, classes desbalanceadas e R.

Detecção de Fraudes em R

Aprenda a detectar fraudes com análises no R.

Conformidade com a Lei de Benford

Detecção de Fraudes em R

exercicio interativo prático