Derin öğrenme modelleri kullanarak kredi kartı dolandırıcılık tespiti için karar destek sistemi gerçekleştirimi
Implementation of decision support system for credit card fraud detection using deep learning models
- Tez No: 855413
- Danışmanlar: PROF. DR. MUSTAFA SERDAR KORUKOĞLU
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Ege Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 98
Özet
Teknolojideki hızlı büyüme, günümüz yaşamının tüm yönlerini etkilemektedir. Bunlardan biri bankacılık ve finansal görevleri kolaylaştırmaktır. Kazandığımız avantajların yanında bazı dezavantajları da var. Bunlardan biri de kredi kartı dolandırıcılığı sorunudur. Kredi kartı dolandırıcılığı sorunu, bankacılık şirketleri, finans sektörleri ve ilgili müşterileri için her yıl milyarlarca dolar zarara neden oluyor. Güncel makine öğrenmesi ve son zamanlarda derin öğrenme yöntemleri ve teknolojisine dayanan kredi kartı dolandırıcılığının önlenmesi ve ortadan kaldırılması için birçok çözüm sunulmaktadır. Tüm bu yöntemler sorunu çözmeye çalışır, ancak her zaman yararlı ve uygulanabilir değildir. Sebeplerden biri, bankaların ve finans endüstrilerinin itibarlarını tehlikeye atmak istemedikleri için dolandırıcılık veri setlerini ifşa etme konusundaki isteksizliğidir. Bu nedenle, çevrimiçi ve çevrimdışı transaction arasında bir denge bulmak için mevcut veri kümesini kullanan bir çözüm hissediliyor. Tüm son teknoloji araştırmaları inceleyerek ve araştırarak, makine öğrenmesinden ziyade derin öğrenme yöntemlerinin etkinliği ve üstünlüğü tamamen açıktır. Çalışmamızda Avrupa Kart Sahibi veri setini iki farklı şekilde kullanıyoruz: Birincisi, veri setini herhangi bir değişiklik yapmadan kullanmak, ikincisi ise veri seti üzerinde özellik çıkarımı olarak Auto Encoder Deep Learning modelini kullanmak. Başka bir deyişle, iki veri setimiz olşuyor. Bir sonraki adımda, bu veri setlerini derin öğrenmeye dayalı LSTM (Long Short Term Memory) ve RBM (Restricted Boltzman Machine) modellerinin eğitimi ve değerlendirilmesi için kullanıyoruz. F1-measure, AUC-ROC, Precision kullanıyoruz ve metrik olarak geri çağırıyoruz ve ayrıca çalışma süresini de dikkate alıyoruz. Son adımda, önceki sonuçlara dayalı bir topluluk öğrenme yöntemi kullanıyoruz ve çevrimiçi ve çevrimdışı işlemler arasında bir denge bulmaya çalışıyoruz ve ardından araştırmayı sonlandırıyoruz.
Özet (Çeviri)
Fast growth in technology affects all aspects of today's life. One of them is facilitating banking and financial tasks. Besides the advantages that we earn, there are some disadvantages too. One of them is the credit card fraud problem. The credit card fraud problem causes billions of dollars loss for banking companies, financial industries, and their related customers every year. A lot of solutions are offered for preventing and eliminating credit card fraud, which is based on up-to-date machine learning and lately deep learning methods and technology. All these methods try to solve the problem, but not always useful and applicable. One of the reasons is the disinclination of banks and financial industries to reveal their fraud dataset because they do not want to put their reputation at stake. So feeling a solution that uses the available dataset to find a trade-off between online and offline transactions is missed. By studying and investigating all state-of-the-art research, the effectiveness and superiority of deep learning methods rather than machine learning is completely obvious. In our study, we use the European Cardholder dataset in two different ways: First, using the dataset without any changes, and second, using the Auto Encoder Deep learning model as a feature extraction on the dataset. In other words, we would have two datasets. In the next step, we use these datasets for training and evaluating LSTM (Long Short Term Memory) and RBM (Restricted Boltzman Machine) models, which are based on deep learning. We use F1-measure, AUC-ROC, Precision, and recall as metrics and also consider the time of running. In the final step, we use an ensemble learning method based on previous results and try to find a trade-off between online and offline transactions, then conclude the research.
Benzer Tezler
- Anomaly detection using machine learning techniques: A comparative study on first payment default prediction in retail loans
Yapay öğrenme yöntemleriyle anomali saptanması: Bireysel kredilerde ilk ödemede batma tahmini üzerine karşılaştırmalı bir çalışma
AHMET TALHA YİĞİT
Yüksek Lisans
İngilizce
2022
Bankacılıkİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
- 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
- Comparison of machine learning and deep learning methods for fraud detection
Dolandırıcılık tespiti konusunda makine öğrenmesi ve derin öğrenme metodlarının karşılaştırılması
CAN AKKAYA
Yüksek Lisans
İngilizce
2024
Bilim ve TeknolojiYeditepe ÜniversitesiVeri Bilimi Ana Bilim Dalı
DOÇ. DR. DIONYSIS GOULARAS
- Deep hybrid recommender system
Derin hibrit öneri sistemi
DİDEM TÜRKER
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE ÖĞÜDÜCÜ
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR