Podsumowanie

Wykrywanie oszustw w Pythonie

Charlotte Werger

Data Scientist

Praca z niezrównoważonymi danymi

• Praca z silnie niezrównoważonymi danymi o oszustwach
• Nauka metod próbkowania danych
• Poznanie różnych metod ponownego próbkowania

Wykrywanie oszustw z danymi etykietowanymi

• Odświeżenie technik uczenia nadzorowanego do wykrywania oszustw
• Nauka uzyskiwania wiarygodnych metryk i praca z kompromisem precyzja–pełność
• Optymalizacja parametrów modelu pod kątem danych o oszustwach
• Zastosowanie metod zespołowych w wykrywaniu oszustw

Wykrywanie oszustw bez etykiet

• Poznanie znaczenia segmentacji
• Odświeżenie wiedzy o metodach klasteryzacji
• Wykrywanie oszustw za pomocą wartości odstających i małych klastrów K-means
• Zastosowanie modelu DB-scan do wykrywania oszustw

Eksploracja tekstu w wykrywaniu oszustw

• Uzupełnienie analizy wykrywania oszustw o techniki eksploracji tekstu
• Wyszukiwanie słów kluczowych i modelowanie tematyczne w wykrywaniu oszustw
• Skuteczne czyszczenie nieuporządkowanych danych tekstowych

Dalsze uczenie w zakresie wykrywania oszustw

• Analiza sieci do wykrywania oszustw
• Różne techniki uczenia nadzorowanego i nienadzorowanego (np. sieci neuronowe)
• Praca z bardzo dużymi zbiorami danych

Koniec kursu

Wykrywanie oszustw w Pythonie