Wykrywanie oszustw z Python i TensorFlow

Opis

Szkolenie poświęcone jest praktycznemu wykorzystaniu technik uczenia maszynowego w wykrywaniu oszustw i anomalii z wykorzystaniem Pythona i TensorFlow. Uczestnicy poznają zaawansowane metody analizy danych i budowy modeli predykcyjnych, ze szczególnym uwzględnieniem specyfiki danych niezbalansowanych. Program realizowany jest w formie warsztatów, gdzie teoria jest natychmiast przekładana na praktyczne implementacje z wykorzystaniem rzeczywistych przypadków użycia.

Profil uczestnika

• Analitycy danych pracujący w sektorze finansowym
• Specjaliści ds. bezpieczeństwa systemów informatycznych
• Programiści Python zainteresowani uczeniem maszynowym
• Inżynierowie danych zajmujący się detekcją anomalii
• Eksperci ds. zarządzania ryzykiem
• Pracownicy działów compliance i audytu
• Specjaliści ds. przeciwdziałania oszustwom

Agenda

1. Wprowadzenie do wykrywania oszustw
• Charakterystyka problemów detekcji oszustw
• Specyfika danych niezbalansowanych
• Metody przetwarzania wstępnego danych
• Techniki próbkowania i augmentacji danych
2. Budowa modeli wykrywania anomalii
• Implementacja detektorów anomalii
• Sieci neuronowe w wykrywaniu oszustw
• Autoencodery w detekcji anomalii
• Modele ensemble w problemach niezbalansowanych
3. Zaawansowane techniki i optymalizacja
• Dobór odpowiednich metryk oceny
• Strategie treningu dla danych niezbalansowanych
• Techniki interpretacji wyników
• Monitorowanie wydajności modeli
4. Wdrażanie i utrzymanie systemu
• Budowa pipeline’u detekcji oszustw
• Strategie aktualizacji modeli
• Obsługa alertów i false positives
• Integracja z systemami produkcyjnymi

Korzyści

Uczestnik zdobędzie praktyczne umiejętności w zakresie projektowania i implementacji systemów wykrywania oszustw z wykorzystaniem uczenia maszynowego. Nauczy się efektywnie pracować z danymi niezbalansowanymi i dobierać odpowiednie techniki próbkowania. Rozwinie umiejętność implementacji zaawansowanych modeli detekcji anomalii w środowisku TensorFlow. Pozna metody oceny i interpretacji wyników modeli wykrywania oszustw. Zdobędzie wiedzę o najlepszych praktykach wdrażania i utrzymania systemów detekcji oszustw w środowisku produkcyjnym.

Wymagane przygotowanie uczestników

• Znajomość podstaw uczenia maszynowego
• Doświadczenie w programowaniu w Pythonie
• Podstawowa wiedza z zakresu analizy danych
• Znajomość statystyki i prawdopodobieństwa

Zagadnienia

• Metody próbkowania danych niezbalansowanych
• Techniki augmentacji danych
• Architektura sieci neuronowych w detekcji anomalii
• Ensemble learning w wykrywaniu oszustw
• Metryki oceny dla problemów niezbalansowanych
• Interpretacja modeli uczenia maszynowego
• Przetwarzanie strumieni danych w czasie rzeczywistym
• Strategie aktualizacji modeli
• Techniki redukcji false positives
• Monitorowanie wydajności systemu
• Pipeline detekcji oszustw
• Integracja z systemami produkcyjnymi

Poznaj naszą firmę