पुनरावलोकन
Python में Fraud Detection
Charlotte Werger
Data Scientist
Imbalanced डेटा के साथ काम
- अत्यधिक असंतुलित फ्रॉड डेटा पर काम किया
- अपने डेटा को कैसे रिसैंपल करें, सीखा
- अलग-अलग रिसैंपलिंग तरीकों के बारे में सीखा
लेबल वाले डेटा से फ्रॉड डिटेक्शन
- फ्रॉड पकड़ने के लिए सुपरवाइज़्ड लर्निंग तकनीकों को ताज़ा किया
- भरोसेमंद परफॉर्मेंस मेट्रिक्स पाए और precision-recall trade-off पर काम किया
- फ्रॉड डेटा संभालने के लिए अपने मॉडल पैरामीटर्स को ऑप्टिमाइज़ करना सीखा
- फ्रॉड डिटेक्शन में एन्सेम्बल मेथड्स लागू किए
बिना लेबल के फ्रॉड डिटेक्शन
- सेगमेंटेशन के महत्व के बारे में सीखा
- क्लस्टरिंग मेथड्स का ज्ञान ताज़ा किया
- K-means क्लस्टरिंग से आउट्लायर्स और छोटे क्लस्टर्स से फ्रॉड ढूँढना सीखा
- फ्रॉड डिटेक्शन के लिए DB-scan क्लस्टरिंग मॉडल लागू किया
फ्रॉड डिटेक्शन के लिए टेक्स्ट माइनिंग
- टेक्स्ट माइनिंग तकनीकों से फ्रॉड एनालिसिस को कैसे बढ़ाएँ, जानते हैं
- खास शब्दों को पकड़ने के लिए word search लागू किया, और फ्रॉड डिटेक्शन के लिए topic modeling लगाना सीखा
- मैसी टेक्स्ट डेटा को प्रभावी ढंग से साफ करना सीखा
फ्रॉड डिटेक्शन के आगे की लर्निंग
- फ्रॉड डिटेक्शन के लिए नेटवर्क एनालिसिस
- अलग-अलग सुपरवाइज़्ड और अनसुपरवाइज़्ड लर्निंग तकनीकें (जैसे Neural Networks)
- बहुत बड़े डेटा के साथ काम
कोर्स समाप्त
Python में Fraud Detection
