Developing an artificial intelligence based system to detect fraud in credit card transactions
Başlık çevirisi mevcut değil.
- Tez No: 828740
- Danışmanlar: YRD. DOÇ. DR. OĞUZ KARAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 76
Özet
Bu tez, kredi kartı dolandırıcılığını tespit etmek için makine öğrenimi ve derin öğrenmeyi kullanır. bu Worldline-ULB Machine Learning Group veri seti, büyük veri madenciliği ve dolandırıcılık için kullanıldı tespit etme. 284.807 işlemin 492'si hileli. İşlemlerin sadece %0,172'si lehine, ciddi bir dengesizlik yaratıyor. Tahmin algoritması çoğu örneği destekler önemli ölçüde çarpık sınıf dağılımı verileri beslendiğinde. Bu nedenle, genellikle sahtekarlığı gizler işlemler. Birden çok yeniden örnekleme yöntemini içeren veri düzeyinde bir strateji kullanılır, rastgele örnekleme dahil, Tomek bağlantılarının kaldırılması, rastgele yüksek örnekleme, Sentetik Azınlık Aşırı Örnekleme Tekniği (SMOTE) ve hibrit SMOTE-Tomek bağlantılarının kaldırılması Bu sorunu çözmek için strateji. Sınıf orantısızlığını, torbalamayı ve artırmayı çözmek için algoritmalar kullanılır. Optimum sınıflandırıcıyı bulmak birkaç deney gerektirdi. bu önerilen sistem lojistik regresyonu, destek vektör makinesini, naif bölmeleri karşılaştırır sınıflandırıcı, karar ağacı, rastgele orman, XGBoost, değiştirilmiş XGBoost, KNN ve çok katmanlı Algılayıcı. Bu çalışmalarda birçok eğitim özelliği ve sınıf dağılımı kullanılmıştır. Sınıf eğitim setlerinin dağıtım tasarımı, tutarsızlıklar nedeniyle dikkatlice düşünülmelidir Farklı deneme kümelerinden oluşturulan sınıflandırıcı değerlendirmelerinde eğitim ve test verileri arasında. Bu değerlendirmeye TN ve FN oranları dahil edildi. Rastgele orman en güçlü gibi görünüyor model, %99,957 doğruluk, 0,875 F1 puanı, 0,857 geri çağırma, 0,893 kesinlik ve 0,98 ROC EAA. XGBoost modeli gelişir, ancak çoğu ölçüm zarar görür. MLP model doğruluğu ve ROC AUC, F1 skoru, hatırlama veya hassasiyetten bağımsız olarak mükemmeldir.
Özet (Çeviri)
This thesis uses machine learning and deep learning to detect credit card fraud. The Worldline-ULB Machine Learning Group dataset was used for big data mining and fraud detection. 492 of 284,807 transactions are fraudulent. Just 0.172% of transactions are favourable, creating a severe imbalance. The prediction algorithm favours most samples when fed significantly skewed class distribution data. Hence, it often conceals fraudulent transactions. A data-level strategy that included multiple resampling methods is used, including random under sampling, Tomek links removal, random oversampling, Synthetic Minority Over-sampling Technique (SMOTE), and a hybrid SMOTE-Tomek links removal strategy to tackle this problem. To solve class disproportion, bagging and boosting algorithms is employed. Finding the optimal classifier required several experiments. The suggested system compares logistic regression, support vector machine, naïve bayes classifier, decision tree, random forest, XGBoost, modified XGBoost, KNN, and multi-layer perceptron. These studies employed many training features and class distributions. The class distribution design of training sets must be carefully considered due to inconsistencies between training and testing data in classifier evaluations created from distinct sets of trials. TN and FN rates were included in this evaluation. Random forest appears to be the strongest model, with 99.957% accuracy, an F1-score of 0.875, recall of 0.857, precision of 0.893, and ROC AUC of 0.98. The XGBoost model improves, but most measurements suffer. MLP model accuracy and ROC AUC are excellent regardless of F1 score, recall, or precision.
Benzer Tezler
- Kural tabanlı şüpheli işlem önleme sistemlerinde kullanılmak üzere çizge veritabanı modeli önerisi
A graph database model proposal for use in rule based fraud transaction prevention systems
BAHADIR ESAD DEMİR
Yüksek Lisans
Türkçe
2024
BankacılıkSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ VEYSEL HARUN ŞAHİN
- Machine learning approach for external fraud detection
Dış saldırıların belirlenmesi için makine öğrenimi yaklaşımı
AJI MUBALAIKE
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. ERTUĞRUL KARAÇUHA
PROF. DR. EŞREF ADALI
- Nesnelerin interneti ekosisteminde yapay zeka tabanlı saldırı tespit sistemi geliştirilmesi
Developing an artificial intelligence based intrusion detection system on internet of things ecosystem
UMUR KURİŞ
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZGÜR CAN TURNA
- Developing a novel artificial intelligence based method for diagnosing chronic obstructive pulmonary disease
Kronik obstrüktif akciğer hastalığı teşhisi için yapay zeka tabanlı yeni bir yöntem geliştirilmesi
İNANÇ MORAN
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DENİZ TURGAY ALTILAR
- Missile evasion maneuver generation with model-free deep reinforcement learning
Modelden bağımsız derin pekiştirmeli öğrenme ile füzeden kaçınma manevraları
MUHAMMED MURAT ÖZBEK
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DOÇ. DR. EMRE KOYUNCU