Makine öğrenmesi algoritmaları ile suistimallerin belirlenmesi
Fraud detection by machine learning algorithms
- Tez No: 784343
- Danışmanlar: DR. ÖĞR. ÜYESİ FURKAN UYSAL
- Tez Türü: Yüksek Lisans
- Konular: Bankacılık, İstatistik, İşletme, Banking, Statistics, Business Administration
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Ankara Sosyal Bilimler Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Denetim ve Risk Yönetimi (Disiplinlerarası) Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 76
Özet
Kurumlar için tehdit unsuru olarak görülen suistimaller, kurumların yalnızca itibarını zedeleyip, güvensizlik ortamı oluşturmakla kalmayıp, faaliyetlerinin sonlandırılmasına neden olacak kadar etkili olabilmektedir. Suistimaller, yönetilmesi gereken en önemli kurumsal risklerden biri olmakla birlikte, bu riskin gerçekleşmesi durumunda ise sosyal ve ekonomik açıdan birçok olumsuz sonuç ile karşılaşılabilmektedir. Bu bağlamda, böyle bir riski yönetebilmek ve beraberinde sürdürülebilirliği sağlamak için, suistimallerin önlenmesi ve büyük boyutlara ulaşamadan ortaya çıkarılmasına yönelik, başta bankacılık ve finans sektöründe olmak üzere tüm sektörlerde faaliyet gösteren organizasyonların, nitelikli insan kaynağının yanı sıra veri analitiğine dayalı teknolojiye yatırım yapmaları kaçınılmaz olmuştur. Bu tez çalışmasının amacı, bankacılık ve finans sektöründeki suistimallerin ortaya çıkarılması konusunda, çalışanların demografik, mesleki ve finansal bilgileri üzerinden makine öğrenmesi algoritmalarından beşi aracılığıyla suistimal yapıp yapmadığına yönelik öngörü modelleri geliştirmek ve çalışanların profilleri üzerinden suistimallerin belirlenmesine yönelik literatürdeki eksikliği gidermektir. Bu çalışmada yöntem olarak, bir bankada 2017 ile 2021 yılları arasında suistimal yapan ve yapmayan çalışanlara ilişkin istatistiksel olarak anlamlı 8 değişken kullanılarak, Lojistik Regresyon, Rassal Orman, Karar Ağacı, Naive Bayes ve Destek Vektör Makinesi sınıflandırma algoritmaları ile çalışanların suistimal gerçekleştirip gerçekleştirmediği test edilmiş ve bu algoritmaların performans değerleri karşılaştırılmıştır. Çalışma sonucunda, Yaş, Cinsiyet, Eğitim Düzeyi, Birimde Çalışma Süresi, İzin Kullanım Oranı, KKB Skoru, Kredi Başvuru Adedi ve Kredi Kartı Doluluk Oranı değişkenleri kullanılarak oluşturulan Lojistik Regresyon modelinin en yüksek doğruluk oranı ve F-Skor değerine sahip olduğu belirlenmiştir.
Özet (Çeviri)
Known as a threat to organizations, fraud, not only destroys their reputation by creating an untrustable environment, but also causes bankruptcy. Fraud as an enterprise risk to be managed can have many social and economic effects in the case of not handled. It is inevitable for organizations in a range of sectors, especially in the banking and finance sector, to invest in technology based on data analytics besides qualified human resources to prevent and detect frauds before reaching substantial damages, and to ensure organizational sustainability. The study aims to develop a predictive model through a machine learning algorithm based on demographic, professional, and financial features for detecting frauds in the banking and finance industry, and to extend the literature in this field by proposing a machine learning-based model. As a research methodology, whether employees committed fraud was tested by classification algorithms, Logistic Regression, Random Forest, Decision Tree, Naive Bayes, and Support Vector Machine with the features of the bank employees worked between 2017 and 2021, and the performance metrics of these algorithms were compared. It is concluded that the Logistic Regression model using the features of Age, Gender, Education Level, Working Time in the Unit, Annual Leave Rate, Personal Credit Rating, Number of Loan Applications, and Credit Card Utilization Rate has the highest accuracy rate and F-Score value.
Benzer Tezler
- Makine öğrenmesi algoritmaları ile iç ortamlar için yeni bir durum analizi ve kalabalık yönetimi yaklaşımı
A new approach to situation analysis and crowd management for indoor environments using machine learning algorithms
MEHMET EREN YEŞİLYURT
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET SERDAR GÜZEL
- Predictive error compensated wavelet neural networks framework for time series prediction
Zaman serisi tahmini için hata tazminli dalgacık dönüşümlü sinir ağları çerçeve yazılımı
SERKAN MACİT
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BURAK BERK ÜSTÜNDAĞ
- Makine öğrenmesi algoritmaları ile Konya ili meteorolojik kuraklık tahmini
Meteorological drought prediction in Konya with machine learning algorithms
GÜLSÜN YILDIRIM
Yüksek Lisans
Türkçe
2024
İnşaat MühendisliğiIsparta Uygulamalı Bilimler Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZLEM TERZİ
- Makine öğrenmesi algoritmaları ile Hakkâri Yüksekova Selahaddin Eyyubi Havalimanı doğalgaz tüketim miktarının tahmin edilmesi
Prediction of natural gas consumption at Hakkâri Yüksekova Selahaddin Eyyubi Airport using machine learning algorithms
MEHMET ERGÜN AZİZOĞLU
- Prediction of soil radon gas using meteorological parameters with machine learning algorithms
Makine öğrenmesi algoritmaları ile meteorolojik parametreleri kullanarak toprak radon gazının tahmini
ÇAĞLA ÖZTÜRK ZAN
Yüksek Lisans
İngilizce
2021
İstatistikDokuz Eylül Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. NESLİHAN DEMİREL