Прогнозування шахрайських транзакцій методами машинного навчання

Abstract

Магістерська кваліфікаційна робота виконана студенткою групи КНСШ 12 Ямнюк Аліною Анатоліївною. Тема «Прогнозування шахрайських транзакцій методами машинного навчання». Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Об'єктом дослідження є процес карткових транзакцій, який використовується для обробки транзакцій та виявлення шахрайства. Предметом дослідження є методи та алгоритми машинного навчання, які можуть бути використані для виявлення шахрайських карткових транзакцій. Дослідження включатиме аналіз ефективності різних методів та їхню придатність для застосування в реальних умовах. Досягнення мети даної роботи полягає в початковому дослідженні існуючих інструментів машинного навчання та методів підбору гіперпараметрів для моделей, які вирішують задачі класифікації. Подальший крок полягає у розробці програмного забезпечення для застосування цих методів налаштування гіперпараметрів в контексті задачі класифікації та моделей машинного навчання. Апробація роботи буде здійснена шляхом аналізу ефективності різних методів налаштування гіперпараметрів з використанням метрик якості, таких як відгук, F1-оцінка та матриця невідповідностей. Такий аналіз допоможе виявити оптимальні методи підбору гіперпараметрів для покращення точності та ефективності моделей машинного навчання за вказаної задачі класифікації. У результаті виконаного дослідження відбувається розробка кращої моделі машинного навчання для прогнозування шахрайських карткових транзакцій, що може допомогти покращити захист від шахрайства та забезпечувати безпеку фінансових операцій. Загальний обсяг роботи: 79 сторінок, 19 рисунків, 9 таблиць, 27 посилань. Master’s degree work of the student of the group CSAI-12 Аlina Yamniuk Anatoliivna. The topic is "Predicting fraudulent card transactions using machine learning method ". The work is aimed at obtaining a master's degree in 122 "Computer Science". Credit card fraud is a serious problem that affects individuals, financial institutions, and merchants alike. With the increased use of credit cards for online transactions, the threat of fraud has become more prevalent and sophisticated. Fraudsters use a variety of methods, including phishing scams and malware, to steal sensitive information and use it for illegal purposes. Credit card fraud causes billions of dollars in losses each year, and victims can take a long time to recover from the financial and emotional impact of credit card theft. In addition, it can be difficult for financial institutions and merchants to detect fraud because fraudsters are constantly finding new ways to avoid detection. To combat this problem, financial institutions and merchants must implement effective fraud detection systems. This requires the use of advanced technology and data analysis methods to detect unusual and potentially fraudulent transactions. In addition, it requires cooperation between financial institutions, merchants and customers to ensure that the right systems and processes are in place to prevent and detect fraud. Machine learning algorithms are becoming increasingly popular in the field of credit card fraud detection due to their ability to identify patterns and anomalies in large volumes of data. These algorithms can analyze vast amounts of transaction data and learn to recognize the characteristics of fraudulent transactions, allowing them to accurately detect fraud. Some of the most common machine learning algorithms used to detect credit card fraud include decision trees, random forests, support vector machines, and neural networks. These algorithms can be trained using historical transaction data and then used to identify suspicious transactions in real time.