Bu bölüm önce dolandırıcılığın resmi bir tanımını verecek. Ardından, kullanılan ödeme yöntemlerinin türündeki veya bu ödemelerin yapıldığı zamandaki anomalileri tespit ederek şüpheli işlemleri işaretlemeyi öğreneceksin.

Giriş ve Motivasyon

Dengesiz sınıf dağılımı

Dolandırıcılığı tespit etmemenin maliyeti

Zaman özellikleri

Dairesel histogram

Şüpheli zaman damgaları

Frekans özellikleri

Tek bir hesap için frekans özelliği

Birden çok hesap için frekans özelliği

Yakınlık (Recency) özellikleri

Yenilik (recency) özelliği

Sıklık ve yakınlık karşılaştırması

İkinci bölümde, dolandırıcılıkla mücadelede ağları nasıl kullanacağını öğreneceksin. Ağları görselleştirecek ve dolandırıcı işlemleri tespit etmek ve failleri yakalamak için homofili adlı bir sosyoloji kavramından yararlanacaksın.

Sosyal ağ analitiği

Bir ağı analiz etmek

Çakışan kenarlar

Dolandırıcılık ve sosyal ağ analizi

Bir ağda homofili aramak

Düğüm özniteliklerini görselleştirme

Sosyal ağ tabanlı çıkarım

İlişkisel ve ilişkisiz modeller

İlişkisel komşu sınıflandırıcı

Sosyal ağ metrikleri

Derece, yakınlık ve ara-merkezlilik

Ağa ilişkin özellikler ekleme

Neyse ki dolandırıcılık vakaları nadirdir. Ancak bu, dengesiz verilerle çalıştığın anlamına gelir ve olduğu gibi bırakırsan tespit modellerini yanlı hale getirir. Bu bölümde, dengesizliği aşırı ve yetersiz örnekleme yöntemleriyle ele alacaksın.

Dengesiz veri kümeleriyle başa çıkma

Sınıf dengesizliğiyle nasıl başa çıkılır?

Verideki örüntüleri görselleştirme

Rastgele aşırı örnekleme

Rastgele eksik örnekleme

Çoğunluk grubunu küçültmek

ROS ve RUS'u Birleştirme

Sentetik Aşırı Örnekleme

SMOTE ile tanıştın mı?

SMOTE

Veri kümesinden tespit modeline

Kendi tespit modelini oluştur

Sahtekarlık tespitinin gerçek maliyeti

Dengesiz sınıf dağılımları

Bu son bölümde, şüpheli durumları tespit etmek için kullanılan şaşırtıcı bir matematiksel yasayı öğreneceksin. Ardından, modellerini daha da sağlamlaştırmak için sağlam istatistikleri kullanacaksın.

Benford yasasıyla basamak analizi

İlk basamak için Benford Yasası

Nüfus sayımı verilerinin uygunluğu

Sahtekârlık tespiti için Benford Yasası

Benford Yasası'na Uyum

Yangın sigortası talepleri

Ödemeler veri kümesi

Tek değişkenli aykırı değerleri tespit etme

Sağlam z-skorlarının hesaplanması

Kutu grafiği

Çok değişkenli aykırı değerleri tespit etme

Çok değişkenli aykırı değer tespiti

Rakam analizi ve sağlam istatistikler

Chapter 3 datasets

Chapter 1 datasets

Chapter 4 datasets

Chapter 2 datasets

Sertifikalı Dolandırıcılık İncelemecileri Birliği, dolandırıcılığın dünya genelinde kuruluşlara yılda 3,7 trilyon dolar maliyete neden olduğunu ve tipik bir şirketin dolandırıcılık sebebiyle yıllık gelirinin yüzde beşini kaybettiğini tahmin ediyor. Gelecekte dolandırıcılık girişimlerinin daha da artması bekleniyor; bu da çoğu sektörde dolandırıcılık tespitini son derece gerekli kılıyor. Bu kurs, geçmiş verilerden dolandırıcılık örüntülerini öğrenmenin dolandırıcılıkla mücadelede nasıl kullanılabileceğini gösterecek. Dolandırıcılıkla ilişkili olması muhtemel olağandışı gözlemleri tespit etmek için sağlam istatistiklerden ve rakam analizi yaklaşımından bazı teknikler sunulacaktır. Dolandırıcılık tespiti için denetimli bir araç geliştirirken iki temel zorluk, verinin dengesizliği veya çarpıklığı ve farklı yanlış sınıflandırma türleri için değişen maliyetlerdir. Bu sorunları çözmek için teknikler sunuyor ve çok çeşitli dolandırıcılık uygulamalarından yapay ve gerçek veri kümelerine odaklanıyoruz.

Unsupervised Learning in R

Supervised Learning in R: Classification

Dolandırıcılığı tespit etmeyi öğren: Anomali tespiti, sosyal ağ görselleştirme, dengesiz sınıf dağılımları.

R ile Dolandırıcılık Tespiti

R ile analitik kullanarak dolandırıcılığı tespit etmeyi öğrenin.

Benford Yasası'na Uyum

R ile Dolandırıcılık Tespiti

Uygulamalı etkileşimli egzersiz