Wykrywanie oszustw związanych z kartami kredytowymi za pomocą Pythona i uczenia maszynowego

Instytucje finansowe przetwarzają miliony transakcji dziennie, co sprawia, że zautomatyzowane wykrywanie oszustw jest krytyczną koniecznością.Ten kurs wprowadza Cię w podstawowe techniki analizy danych używane do identyfikacji podejrzanej aktywności kart kredytowych i ochrony systemów finansowych. Dzięki temu przewodnikowi przejdziesz od zrozumienia podstawowych pojęć dotyczących danych finansowych do konstruowania i oceny modeli uczenia maszynowego zaprojektowanych specjalnie dla wysoce niezrównoważonych zbiorów danych.Zdobędziesz praktyczne umiejętności w zakresie wstępnego przetwarzania danych, wykrywania anomalii i przepływów pracy klasyfikacji. Czego się nauczysz: - Zrozum podstawowe pojęcia wykrywania oszustw finansowych i związanych z nimi wyzwań związanymi z danymi. - Zastosuj nowoczesne biblioteki Python do wstępnego przetwarzania, skalowania i czyszczenia danych transakcyjnych. - Techniki Master do obsługi wysoce niezrównoważonych zbiorów danych, takich jak korekty wagi klasy i ponowne próbkowanie. - Twórz modele klasyfikacji za pomocą uporządkowanych potoków uczenia maszynowego, aby przewidywać nieuczciwe transakcje. - Oceń wydajność modelu za pomocą krzywych precyzji, przypomnienia i precyzyjnego przypomniania, a nie mylących wskaźników dokładności. - Poznaj podstawowe pojęcia monitorowania modelu i dryfu danych w systemach wykrywania oszustw produkcyjnych. Następnie będziesz postępować krok po kroku poprzez inżynierię funkcji, szkolenie modeli i rygorystyczne strategie oceny dostosowane do ryzyka finansowego. Ten kurs jest przeznaczony dla początkujących analityków danych, początkujący naukowcy danych i specjaliści finansowi, którzy chcą zastosować programowanie do zarządzania ryzykiem.Nie jest wymagane wcześniejsze doświadczenie w uczeniu maszynowym, chociaż pomocna jest podstawowa znajomość Pythona. Zacznij czytać już dziś, aby zbudować swój pierwszy model wykrywania oszustw i rozwinąć umiejętności w zakresie nauki danych.