สรุป
การตรวจจับการฉ้อโกงด้วย Python
Charlotte Werger
Data Scientist
การทำงานกับข้อมูลที่ไม่สมดุล
- ทำงานกับข้อมูลการฉ้อโกงที่ไม่สมดุลอย่างมาก
- เรียนรู้วิธีการ resample ข้อมูล
- เรียนรู้เกี่ยวกับวิธี resampling ต่าง ๆ
การตรวจจับการฉ้อโกงด้วยข้อมูลที่มี label
- ทบทวนเทคนิค supervised learning สำหรับตรวจจับการฉ้อโกง
- เรียนรู้การวัดประสิทธิภาพที่เชื่อถือได้และการปรับสมดุล precision-recall
- สำรวจการปรับพารามิเตอร์โมเดลให้เหมาะกับข้อมูลการฉ้อโกง
- นำ ensemble methods มาใช้กับการตรวจจับการฉ้อโกง
การตรวจจับการฉ้อโกงโดยไม่มี label
- เรียนรู้ความสำคัญของการแบ่งกลุ่มข้อมูล
- ทบทวนความรู้เกี่ยวกับวิธี clustering
- เรียนรู้การตรวจจับการฉ้อโกงด้วย outlier และกลุ่มเล็ก ๆ โดยใช้ K-means clustering
- นำโมเดล DB-scan clustering มาใช้กับการตรวจจับการฉ้อโกง
Text mining เพื่อตรวจจับการฉ้อโกง
- รู้วิธีเสริมการวิเคราะห์การฉ้อโกงด้วยเทคนิค text mining
- นำการค้นหาคำมาใช้ตั้งค่าสถานะคำที่น่าสงสัย และเรียนรู้การใช้ topic modeling เพื่อตรวจจับการฉ้อโกง
- เรียนรู้การทำความสะอาดข้อมูลข้อความที่ไม่เป็นระเบียบอย่างมีประสิทธิภาพ
การเรียนรู้เพิ่มเติมสำหรับการตรวจจับการฉ้อโกง
- การวิเคราะห์เครือข่ายเพื่อตรวจจับการฉ้อโกง
- เทคนิค supervised และ unsupervised learning ที่หลากหลาย (เช่น Neural Networks)
- การทำงานกับข้อมูลขนาดใหญ่มาก
จบคอร์สนี้แล้ว
การตรวจจับการฉ้อโกงด้วย Python
