Read more
Le tecniche di machine learning e deep learning (DL) hanno mostrato risultati promettenti nell'individuazione di attività fraudolente. In questa tesi, proponiamo approcci per il rilevamento delle frodi con carta di credito che combinano tecniche di apprendimento supervisionato e non supervisionato. Applichiamo tecniche di feature engineering per estrarre caratteristiche rilevanti dal dataset delle transazioni con carta di credito, seguite da modelli di rilevamento delle anomalie che combinano tecniche di ML supervisionato, ML semi-supervisionato e DL. Analizziamo il set di dati utilizzando vari parametri e metodi. Il nostro studio sui vari metodi di ML e DL per il rilevamento delle transazioni fraudolente sono le Reti Neurali Artificiali (ANN), la Regressione Lineare con Autoencoder, i K-Nearest Neighbors (KNN), XGBoost, CatBoost, Adaboost, Gradient Boosting, Random Forest, Decision Tree, K-Means Clustering, LightBGM, Regressione logistica, regressione logistica con dati sottocampionati, Naive Bayes achieves, SVC achieves, Isolation Forest e Local Outlier Factor. Valutiamo il nostro approccio su un dataset di transazioni di carte di credito del mondo reale, denominato Creditcard.csv, proveniente dal dataset Kaggle.
About the author
DR. Khondekar Lutful Hassan trabalha como professor assistente na Universidade Aliah. Publicou 1 livro e 20 artigos em várias revistas internacionais. O seu interesse de investigação em Aprendizagem Automática, Aprendizagem Profunda, WSN, MANETO Sr. Samrat Karmakar concluiu o Mestrado em Informática e Engenharia na Universidade Aliah, na Índia.
