Acest capitol îți va oferi mai întâi o definiție formală a fraudei. Vei învăța apoi cum să detectezi anomalii în tipurile de metode de plată utilizate sau în momentul în care sunt efectuate aceste plăți, pentru a semnala tranzacțiile suspecte.

Introducere și motivație

Distribuție dezechilibrată a claselor

Costul nedetectării fraudei

Caracteristici temporale

Histogramă circulară

Marcaje temporale suspecte

Caracteristici de frecvență

Caracteristica de frecvență pentru un singur cont

Caracteristica de frecvență pentru mai multe conturi

Caracteristici de recență

Caracteristica de recență

Compararea frecvenței și recentei

În al doilea capitol, vei învăța cum să folosești rețelele pentru a combate frauda. Vei vizualiza rețele și vei folosi un concept din sociologie numit omofilie pentru a detecta tranzacții frauduloase și a-i identifica pe fraudatori.

Analitică pe rețele sociale

Analiza unei rețele

Muchii suprapuse

Fraudă și analiza rețelelor sociale

Căutând omofilia într-o rețea

Vizualizarea atributelor nodurilor

Inferență bazată pe rețele sociale

Modele relaționale vs. nerelaționale

Clasificatorul bazat pe vecini relaționali

Metrici ale rețelelor sociale

Grad, proximitate și betweenness

Adăugarea caracteristicilor de rețea

Analiza rețelelor sociale

Din fericire, cazurile de fraudă sunt rare. Totuși, acest lucru înseamnă că lucrezi cu date dezechilibrate, care, dacă sunt lăsate ca atare, vor distorsiona modelele tale de detecție. În acest capitol, vei aborda dezechilibrul folosind metode de supraesantionare și subesantionare.

Abordarea seturilor de date dezechilibrate

Cum să gestionezi dezechilibrul de clase?

Vizualizarea tiparelor din date

Supra-eșantionare aleatoare

Subeșantionare aleatorie

Reducerea grupului majoritar

Combinarea ROS și RUS

Supra-eșantionare sintetică

Ai făcut cunoștință cu SMOTE?

SMOTE

De la set de date la model de detecție

Construiește-ți propriul model de detecție

Costul real al detectării fraudelor

Distribuții dezechilibrate ale claselor

În acest capitol final, vei afla despre o lege matematică surprinzătoare folosită pentru a detecta situații suspecte. Vei folosi apoi statistici robuste pentru a-ți face modelele și mai fiabile.

Analiza cifrelor folosind legea lui Benford

Legea lui Benford pentru prima cifră

Conformitatea datelor de recensământ

Legea lui Benford pentru detectarea fraudelor

Conformitatea cu Legea lui Benford

Dosare de asigurare împotriva incendiilor

Set de date privind plățile

Detectarea valorilor aberante univariate

Calcularea scorurilor z robuste

Boxplot

Detectarea valorilor aberante multivariate

Detecția valorilor aberante multivariate

Analiza cifrelor și statistici robuste

Chapter 3 datasets

Chapter 1 datasets

Chapter 4 datasets

Chapter 2 datasets

Asociația Examinatorilor Certificați de Fraude estimează că fraudele costă organizațiile din întreaga lume 3,7 trilioane de dolari pe an și că o companie tipică pierde cinci procente din veniturile anuale din cauza fraudei. Se preconizează că tentativele de fraudă vor crește și mai mult în viitor, ceea ce face ca detecția fraudelor să fie extrem de necesară în majoritatea industriilor. Acest curs îți va arăta cum pot fi folosite tiparele de fraudă învățate din date istorice pentru a combate frauda. Sunt prezentate tehnici din statistici robuste și analiza cifrelor pentru a detecta observații neobișnuite, asociate cel mai probabil cu frauda. Două provocări principale în construirea unui instrument supervizat de detecție a fraudelor sunt dezechilibrul sau asimetria datelor și costurile diferite asociate diverselor tipuri de erori de clasificare. Prezentăm tehnici pentru a rezolva aceste probleme și ne concentrăm pe seturi de date artificiale și reale dintr-o gamă largă de aplicații de detecție a fraudelor.

Unsupervised Learning in R

Supervised Learning in R: Classification

Învață să detectezi frauda folosind detectarea anomaliilor, vizualizarea rețelelor sociale și analiza cifrelor.

Detecția fraudelor în R

Învață să detectezi frauda cu analytics în R.

Ai făcut cunoștință cu SMOTE?

Detecția fraudelor în R

Exercițiu interactiv practic