Tematska celina 1. Uvod i priprema vaših podataka
U ovoj celini ćete saznati o tipičnim izazovima povezanim sa otkrivanjem prevara i naučićete kako da pametno ponovo uzorkujete svoje podatke kako biste rešili probleme sa neuravnoteženim podacima.
Lekcija 1. Uvod u otkrivanje prevara
aktivnost 1: Provera odnosa prevara i neprevara
aktivnost 2: Prikazivanje vaših podataka
Lekcija 2. Povećanje broja uspešnih detekcija korišćenjem ponovnog uzorkovanja podataka
aktivnost 1: Metode ponovnog uzorkovanja za neuravnotežene podatke
aktivnost 2: Primena SMOTE-a
aktivnost 3: Uporedite SMOTE sa originalnim podacima
Lekcija 3. Algoritmi za otkrivanje prevara u akciji
aktivnost 1: Istraživanje tradicionalnog načina otkrivanja prevare
aktivnost 2: Korišćenje klasifikacije mašinskog učenja za hvatanje prevare
aktivnost 3: Logistička regresija kombinovana sa SMOTE
aktivnost 4: Korišćenje cevovoda
Tematska celina 2. Otkrivanje prevare korišćenjem označenih podataka
Sada kada ste upoznati sa glavnim izazovima otkrivanja prevara, upravo ćete naučiti kako da označite prevarne transakcije pomoću nadgledanog učenja. Koristićete klasifikatore, prilagodićete ih i uporediti kako biste pronašli najefikasniji model otkrivanja prevara.
Lekcija 1. Pregled metoda klasifikacije
aktivnost 1: Prirodna stopa pogodaka
aktivnost 2: Klasifikator slučajne šume – 1. deo
aktivnost 3: Klasifikator slučajne šume – 2. deo
Lekcija 2. Evaluacija učinka
aktivnost 1: Metrike performansi za RF model
aktivnost 2: Prikaz precision recall krive
Lekcija 3. Prilagođavanje težina algoritma
aktivnost 1: Prilagođavanja modela
aktivnost 2: Prilagođavanje vašeg modela slučajne šume za otkrivanje prevara
aktivnost 3: GridSearchCV za pronalaženje optimalnih parametara
aktivnost 4: Modelirajte rezultate koristeći GridSearchCV
Lekcija 4. Metode ansambla
aktivnost 1: Logistička regresija
aktivnost 2: Klasifikator glasanja
aktivnost 3: Prilagodite težine unutar klasifikatora glasanja
Tematska celina 3. Otkrivanje prevare korišćenjem neoznačenih podataka
Ova celina se fokusira na korišćenje tehnika nenadziranog učenja za otkrivanje prevare. Segmentiraćete kupce, koristiti K-sredina klasterovanje i druge algoritme za klasterovanje da biste pronašli sumnjive pojave u vašim podacima.
Lekcija 1. Normalno naspram abnormalnog ponašanja
aktivnost 1: Istraživanje vaših podataka
aktivnost 2: Segmentacija kupaca
aktivnost 3: Korišćenje statistike za definisanje normalnog ponašanja
Lekcija 2. Metode klasterovanja za otkrivanje prevare
aktivnost 1: Skaliranje podataka
aktivnost 2: K-means klasterovanje
aktivnost 3: Metoda lakta
Lekcija 3. Razlikovanje prevare u odnosu na neprevaru
aktivnost 1: Detekcija autlier-a
aktivnost 2: Provera rezultata modela
Lekcija 4. Druge metode za otkrivanje prevara grupisanjem
aktivnost 1: DBSCAN
aktivnost 2: Procena najmanjih klastera
aktivnost 3: Provera rezultata
Tematska celina 4. Otkrivanje prevare pomoću teksta
U ovom poslednjem delu, koristićete tekstualne podatke, analizu teksta i modeliranje tema da biste otkrili prevarno ponašanje.
Lekcija 1. Korišćenje tekstualnih podataka
aktivnost 1: Pretraga reči pomoću okvira podataka
aktivnost 2: Korišćenje liste termina
aktivnost 3: Kreiranje flag varijable
Lekcija 2. Rudarenje teksta za otkrivanje prevara
aktivnost 1: Uklanjanje zaustavnih reči
aktivnost 2: Čišćenje tekstualnih podataka
Lekcija 3. Modeliranje tema o prevari
aktivnost 1: Napravite rečnik i korpus
aktivnost 2: LDA model
Lekcija 4. Prijavljivanje prevare na osnovu tema
aktivnost 1: Tumačenje tematskog modela
aktivnost 2: Pronalaženje prevaranata na osnovu teme
Tehnički detalji interaktivne obuke
Obuka je interaktivnog karaktera, jer svaki polaznik radi i unosi komande za svojim računarom, prateći predavača. Predavač (čiji je računar povezan na projektor) polako objašnjava poslovni projekat i rešava ga unoseći jednu po jednu liniju kôda u okviru pajton razvojnog okruženja. Svaka linija kôda se detaljno elaborira.
U okviru interaktivne obuke, dobićete i detaljno napisan priručnik, sa svim aktivnostima, koji su rađeni na obuci, uključujući i sve linije kôda koje ste napisali. Takođe interaktivnu obuku prati i kreirani video materijal za svaku lekciju, gde je opet detaljno objašnjeno rešavanje poslovnog projekta i elaboracija svake linije kôda. Na ovaj način bićete u stanju da potpuno razumete i savladate kako otkrivanje prevare, tako i odgovarajuće komande programskog jezika pajton.
Za potrebe praćenja ove obuke potrebno je umereno znanje programskog jezika pajton. Ukoliko nemate predznanje iz programiranja u pajtonu, predlaže se da prvo odslušate sledeće dve interaktivne obuke:
Uvod u pajton za finansije, kao i
Srednji nivo pajtona za finansije.
Svaka od datih interaktivnih obuka, traje takođe po dva dana, i potkrepljena je detaljno napisanim priručnicima, kao i kvalitetnim snimljenim video materijalima.
Predavač na obuci je dr Vladimir Vasić, doktor statističkih nauka, redovni profesor na Beogradskoj bankarskoj akademiji – Fakultetu za bankarstvo, osiguranje i finansije, koji ima višedecenijsko iskustvo u rešavanju brojnih privrednih poslovnih projekata u zemlji i regionu. Predavač je 17 godina, učestvovao kao najviši istraživač (klasa A1) na projektima nacionalnog značaja na istraživanjima kvantifikacije verovatnoće difolta i izgradnje kreditnog rejtinga preduzeća. Dati projekti, finansirani od Ministarstva za nauku Srbije su: „Razvoj institucija i instrumenata hipoteke i financijskog tržišta u Srbiji“ (2006-2010) i „Rizici financijskih institucija i tržišta u Srbiji – mikroekonomski i makroekonomski pristup“ (2011-2022). Takođe, predavač je više od 15 godina vodeći konsultant, kada su u pitanju izgradnja algoritama i modela alatima data mining-a. Osim višedecenijskog iskustva u prenošenju znanja naprednog modeliranja i predikcije studentima završnih godina, predavač je i autor 25 naučnih radova objavljenih u časopisima na SCI i SSCI listi.
Prijavite se putem: linka
