Récapitulatif

Détection de fraude en Python

Charlotte Werger

Data Scientist

Travailler avec des données déséquilibrées

• Travail avec des données de fraude très déséquilibrées
• Appris à rééchantillonner vos données
• Découvert différentes méthodes de rééchantillonnage

Détection de fraude avec données étiquetées

• Révision des techniques d'apprentissage supervisé pour détecter la fraude
• Obtenir des mesures de performance fiables et gérer le compromis précision–rappel
• Optimiser les hyperparamètres du modèle pour traiter les données de fraude
• Appliquer des méthodes d'ensembles à la détection de fraude

Détection de fraude sans étiquettes

• Comprendre l'importance de la segmentation
• Réviser vos connaissances sur le regroupement (clustering)
• Détecter la fraude via les valeurs aberrantes et petits groupes avec le regroupement K-means
• Appliquer un modèle de regroupement DB-scan pour la détection de fraude

Exploration de texte pour la détection de fraude

• Savoir enrichir l'analyse de fraude avec l'exploration de texte
• Rechercher des mots pour signaler certains termes et appliquer le modélisation de thèmes pour la détection de fraude
• Nettoyer efficacement des textes brouillons

Pour 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)
• Travailler avec des données très volumineuses

Fin du cours

Détection de fraude en Python