Récapitulatif

Détection de fraude en Python

Charlotte Werger

Data Scientist

Travailler avec des données déséquilibrées

• Travail sur des données de fraude très déséquilibrées
• Apprentissage du rééchantillonnage des données
• Découverte de différentes méthodes de rééchantillonnage

Détection de fraude avec données étiquetées

• Révision des techniques d'apprentissage supervisé pour détecter la fraude
• Obtention de métriques fiables et gestion du compromis précision-rappel
• Optimisation des hyperparamètres du modèle pour traiter les données de fraude
• Application de méthodes d'ensemble à la détection de fraude

Détection de fraude sans étiquettes

• Importance de la segmentation
• Rappel sur les méthodes de clustering
• Détection de fraude via valeurs aberrantes et petits clusters avec le clustering K-means
• Application d'un modèle de clustering DBSCAN pour la détection de fraude

Text mining pour la détection de fraude

• Enrichir l'analyse de détection de fraude par le text mining
• Recherche de mots pour signaler certains termes et application du topic modeling à la détection de fraude
• Nettoyage efficace de textes bruités

Aller plus loin en détection de fraude

• Analyse de réseaux pour détecter la fraude
• Différentes techniques d'apprentissage supervisé et non supervisé (p. ex. Neural Networks)
• Travail avec des données très volumineuses

Fin du cours

Détection de fraude en Python