Fraud detection on the time series data with machinelearning and deep learning techniques
Makine öğrenimi ve derin öğrenme teknikleri ile zaman serisi verileri üzerinde sahtekarlık tespiti
- Tez No: 760660
- Danışmanlar: PROF. DR. MUSTAFA ULUTAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Karadeniz Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 57
Özet
Teknoloji kullanımının artması ve e-ticarete geçiş nedeniyle kredi kartları daha popüler hale geliyor. Dolandırıcılık tespit yöntemlerinin geliştirilmesi, kredi kartı dolandırıcılık oranını azalttı ve kullanıcı tabanı büyüdükçe dolandırıcılık işlemlerinde kaybedilen toplam para miktarı artıyor. Ayrıca, her gün yeni finansal dolandırıcılık yöntemleri tanıtılmakta, bu da onu örüntü tanıma yoluyla araştırma topluluğunun dikkatini gerektiren dinamik ve gelişen bir sorun haline getirmektedir. Bu çalışma, bir dolandırıcılık tespit algoritması tasarlamanın çeşitli zorluklarını ele alan bir kredi kartı dolandırıcılık tespit yaklaşımı sunmaktadır. Hileli işlemlerin sayısı normal işlemlerden çok daha az olduğundan, sınıf dengesizliği önemli bir sorundur. Makul bir örneklem büyüklüğü elde etmek için azınlık sınıfının sentetik aşırı örneklemesini içeren bir yaklaşım seçilmiştir. Buradaki ana katkı, optimum özellikleri elde etmek için filtre tabanlı ve sarmalayıcı tabanlı yöntemlerin çıktılarını birleştiren hibrit bir özellik seçimi yaklaşımıdır. Önerilen bu teknik, diğer üç öznitelik seçme tekniğiyle karşılaştırıldı; dört makine öğrenimi algoritmasında diğer üç teknikleri geride bıraktı ve ardından performansı artırmak için farklı dengeleme teknikleri uyguladı. Azınlık sınıfları artırılarak SMOTE örnekleme yöntemi kullanılarak veri seti üzerinde bir derin öğrenme modeli (LSTM) de eğitildi ve çok yüksek bir sonuç elde edildi. Önerilen model rakiplerinden daha iyi performans gösteriyor
Özet (Çeviri)
Credit cards are becoming more popular due to the increased use of technology and a shift toward e-commerce. The development of fraud detection methods has reduced the ratio of credit card frauds, and the total amount of money lost to fraudulent transactions increases as the user base grows. Furthermore, newer financial fraud methods are introduced daily, making it a dynamic and evolving problem that requires the research community's attention through pattern recognition. This study presents a credit card fraud detection approach that addresses several challenges in designing a fraud detection algorithm. Because fraudulent transactions are far fewer in number than regular transactions, the class imbalance is a significant issue. An approach incorporating the synthetic oversampling of the minority class is chosen to obtain a reasonable sample size. The main contribution here is a hybrid feature selection approach, which combines the outputs of the filterbased and wrapper-based methods to get optimal features. This proposed technique was compared to three other feature selection techniques; outperformed all those techniques on the four machine learning algorithms, and then applied different balancing techniques to increase the performance. A deep learning model (LSTM) was also trained on the dataset, using SMOTE sampling method with minority classes increased, achieving a remarkably high result. The proposed model outperforms its competitors.
Benzer Tezler
- İklimlendirme sistemleri üzerinde makine öğrenmesi ile anomali tespiti
Anomaly detection with machine learning on air conditioning systems
REFİK KİBAR
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMED FATİH ADAK
DR. ÖĞR. ÜYESİ KEVSER OVAZ AKPINAR
- Credit card fraud detection using machine learning algorithms and analysis based on time series data
Başlık çevirisi yok
MUHAMMAD QASIM RAZA
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÜsküdar ÜniversitesiSiber Güvenlik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ROWANDA D A AHMED
- Elektrik güç dağıtımında akıllı sayaç verileri için anomali tespiti ve tahminleme
Anomaly detection and prediction for smart meter data in electrical power distribution
SERHAT YARAT
Yüksek Lisans
Türkçe
2022
Enerjiİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZEYNEP ORMAN
- A hybrid deep learning framework for unsupervised anomaly detection in multivariate spatio-temporal data
Uzamsal-zamansal çok boyutlu verilerde denetimsiz anomali tespiti için hibrit derin öğrenme çerçevesi
YILDIZ KARADAYI
Doktora
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKadir Has ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET NAFİZ AYDIN
DR. ÖĞR. ÜYESİ ARİF SELÇUK ÖĞRENCİ
- Yapay zeka yöntemleri ile finansal zaman serileri öngörüleri
Financial time series forecasting using artificial intelligence methods
EFE ARDA