Resumen

Fraud Detection in Python

Charlotte Werger

Data Scientist

Trabajo con datos desbalanceados

• Trabajaste con datos de fraude muy desbalanceados
• Aprendiste a remuestrear tus datos
• Conociste distintos métodos de remuestreo

Detección de fraude con datos etiquetados

• Repasaste técnicas de aprendizaje supervisado para detectar fraude
• Aprendiste a obtener métricas fiables y a gestionar el equilibrio precisión–recobrado
• Viste cómo optimizar parámetros del modelo para tratar datos de fraude
• Aplicaste métodos de ensamblado a la detección de fraude

Detección de fraude sin etiquetas

• Entendiste la importancia de la segmentación
• Repasaste métodos de clustering
• Aprendiste a detectar fraude con outliers y clústeres pequeños usando K-means
• Aplicaste un modelo DBSCAN para detectar fraude

Minería de texto para detectar fraude

• Sabes cómo ampliar el análisis con técnicas de minería de texto
• Aplicaste búsquedas de palabras para marcar términos y aprendiste a usar topic modeling para detectar fraude
• Aprendiste a limpiar texto desordenado de forma eficaz

Aprendizaje adicional sobre detección de fraude

• Análisis de redes para detectar fraude
• Distintas técnicas supervisadas y no supervisadas (p. ej., redes neuronales)
• Trabajo con datos muy grandes

Fin del curso

Fraud Detection in Python