Kurso sa Fraud Analytics

Aralin 1 • Pagtukoy sa Pandaraya at Mga Variant Nito

Sumasaklaw sa legal at operational na mga kahulugan ng pandaraya kasama ang mga pangunahing kategorya ng scheme. Nagtatatag ng pinag-isang bokabularyo na gagamitin sa buong kurso.

Aralin 2 • Ang Fraud Triangle at Diamond

Sinusuri ang mga modelong pangmotibasyon na nagpapaliwanag kung bakit ang mga indibidwal ay gumagawa ng pandaraya. Iniuugnay ang teorya ng pag-uugali sa disenyo ng signal ng pagtuklas.

Aralin 3 • Konteksto ng Regulasyon at Etika

Ipinapakilala ang mga obligasyon sa pagsunod at mga hangganang etikal na namamahala sa mga programa ng fraud analytics. Ibinabatay ang teknikal na gawain sa mga balangkas ng pananagutan.

Aralin 4 • Landscape ng Data ng Pandaraya

Itinatakda ang panloob at panlabas na mga pinagmumulan ng data na may kaugnayan sa pagtuklas ng pandaraya. Nauunawaan ng mga mag-aaral ang mga hadlang sa pagkakaroon ng data bago magsimula ang pagmomodelo.

Aralin 1 • Feature Engineering para sa Mga Signal ng Pandaraya

Binabago ang mga hilaw na transactional field sa mga predictive na feature na kumukuha ng pag-uugali ng pandaraya. Ang malalakas na feature ang pangunahing tagapagmaneho ng katumpakan ng modelo.

Aralin 2 • Paghahati ng Data at Pag-iwas sa Leakage

Nagtatatag ng tamang train-validation-test splits na gumagalang sa temporal na pagkakasunud-sunod sa data ng pandaraya. Pinipigilan ang data leakage na nagpapalaki ng mga pagtatantya ng pagganap ng modelo.

Aralin 3 • Paglilinis at Pag-deduplicate ng Data

Tinutukoy ang mga karaniwang isyu sa kalidad ng data sa mga dataset ng pandaraya at inilalapat ang sistematikong remediyasyon. Binabawasan ng malinis na data ang mga false positive sa mga modelo ng pagtuklas.

Aralin 4 • Pagkuha at Pag-ingest ng Data

Sumasaklaw sa mga pamamaraan para sa pag-extract ng data mula sa mga transactional system, log, at third-party feed. Nagtatatag ng mga pipeline na nagpapakain sa downstream analytics.

Aralin 1 • Pagbuo ng Mga Profile at Tipolohiya ng Pandaraya

Pinagsasama-sama ang mga natuklasang exploratory sa mga dokumentadong tipolohiya ng pandaraya para sa operational na paggamit. Ginagabayan ng mga profile ang disenyo ng panuntunan at pagpili ng feature ng modelo.

Aralin 2 • Deskriptibong Istatistika para sa Data ng Pandaraya

Gumagamit ng mga buod ng distribusyon upang mailarawan ang lehitimong transaksyon laban sa mapanlinlang na transaksyon. Nagpapakita ng mga baseline na pagkakaiba na nagbibigay-alam sa pagpili ng feature.

Aralin 3 • Mga Pamamaraan ng Biswal na Paggalugad

Inilalapat ang mga tsart at plot upang mailantad ang mga anomalya at behavioral cluster sa data ng pandaraya. Pinapabilis ng biswalisasyon ang pagbuo ng hypothesis para sa mga analyst.

Aralin 4 • Batas ni Benford at Pagsusuri ng Digit

Inilalapat ang inaasahang batas ng dalas ng digit upang matuklas ang mga gawa-gawa o minanipulang numero. Malawakang ginagamit sa mga imbestigasyon ng pandaraya sa financial statement at gastusin.

Aralin 1 • Arkitektura ng Rule Engine

Ipinapaliwanag kung paano sinusuri ng mga rule engine ang mga transaksyon laban sa tinukoy na mga kondisyon sa real time. Nagbibigay ng pundasyong istruktura para sa pagbuo ng lohika ng pagtuklas.

Aralin 2 • Pagsukat ng Pagganap ng Panuntunan

Inilalapat ang mga sukatan ng precision, recall, at lift upang suriin ang pagiging epektibo ng panuntunan. Ang pagsukat ng pagganap ay nagtutulak ng paulit-ulit na pagpapabuti ng panuntunan.

Aralin 3 • Pagdidisenyo ng mga Epektibong Panuntunan sa Pagtuklas

Isinasalin ang mga tipolohiya ng panloloko sa tiyak, nasusubok na mga kondisyon ng panuntunan. Ang mga mahusay na idinisenyong panuntunan ay nagpapaliit ng mga false positive habang pinapanatili ang mataas na recall.

Aralin 4 • Pagmamarka ng Panloloko at Pagraranggo ng Panganib

Pinagsasama ang maraming signal sa isang pinagsamang iskor ng panloloko para sa pag-prioritize ng mga alerto. Ang pagmamarka ay nagbibigay-daan sa mga analyst na ituon ang pagsisikap sa mga kaso na may pinakamataas na panganib.

Aralin 1 • Mga Sukatan ng Pagsusuri na Partikular sa Panloloko

Pumipili at nagbibigay-kahulugan ng mga sukatan na angkop sa mga gawain ng hindi balanseng klasipikasyon ng panloloko. Ang pagpili ng sukatan ay direktang nakakaapekto sa mga desisyon sa negosyo tungkol sa deployment ng modelo.

Aralin 2 • Mga Pundamental ng Algorithm ng Klasipikasyon

Ipinapakilala ang logistic regression, decision tree, at ensemble na mga pamamaraan sa konteksto ng panloloko. Bumubuo ng intuwisyon para sa pagpili ng algorithm bago ang pag-tono ng hyperparameter.

Aralin 3 • Kahalagahan ng Feature at Kakayahang Ipaliwanag ng Modelo

Kinukuha at ipinapahayag kung aling mga feature ang nagtutulak sa mga hula ng modelo gamit ang mga tool sa interpretability. Ang kakayahang ipaliwanag ay sumusuporta sa tiwala ng imbestigador at pagsusuri ng regulasyon.

Aralin 4 • Pagsasanay at Pagpapatunay ng Modelo

Inilalapat ang cross-validation at holdout testing upang tantyahin ang pagganap ng modelo sa tunay na mundo. Pinipigilan ng tamang pagpapatunay ang mga overfit na modelo na makarating sa produksiyon.

Aralin 1 • Clustering para sa Segmentation ng Pag-uugali

Pinapangkat ang mga transaksyon o entity ayon sa pagkakatulad ng pag-uugali upang ihiwalay ang mga maanomalyang kumpol. Binubunyag ng clustering ang mga grupo ng panloloko at hindi pangkaraniwang behavioral cohorts.

Aralin 2 • Isolation Forest at Mga Pamamaraang Batay sa Puno

Gumagamit ng paghihiwalay na batay sa puno upang markahan ang mga anomalya nang walang mga pagpapalagay sa distribusyon. Mahusay na sumusukat sa malalaking transactional dataset.

Aralin 3 • Pagsasama ng Mga Signal na Unsupervised at Supervised

Isinasama ang mga iskor ng anomalya bilang mga feature sa mga supervised na modelo upang palakasin ang saklaw ng pagtuklas. Nakukuha ng mga hybrid na approach ang parehong kilala at bagong pattern ng panloloko.

Aralin 4 • Istatistikal na Pagtuklas ng Anomalya

Inilalapat ang istatistikal na distansya at mga pagsubok ng distribusyon upang i-flag ang mga outlier na transaksyon. Nagbibigay ng mga interpretable, naa-audit na iskor ng anomalya para sa mga imbestigador.

Aralin 1 • Mga Aplikasyon ng Graph Machine Learning

Pinapalawak ang klasikal na graph analytics gamit ang mga graph neural network para sa klasipikasyon ng node. Nagbibigay-daan sa awtomatikong pagmamarka ng panloloko sa antas ng entity gamit ang kontekstong relasyonal.

Aralin 2 • Mga Sukatan ng Centrality at Impluwensiya

Kinukwenta ang degree, betweenness, at PageRank centrality upang matukoy ang mga pangunahing aktor ng panloloko. Ang mga node na may mataas na centrality ay madalas na kumakatawan sa mga orkestrador o mule account.

Aralin 3 • Pagbuo ng Mga Graph ng Entity ng Panloloko

Bumubuo ng mga graph ng ugnayan ng entity mula sa data ng transaksyon at pagkakakilanlan. Tinutukoy ng kalidad ng konstruksiyon ng graph ang katumpakan ng downstream analytics.

Aralin 4 • Pagtuklas ng Komunidad para sa Mga Grupo ng Panloloko

Inilalapat ang mga algorithm ng pagtuklas ng komunidad upang ihiwalay ang mahigpit na konektadong mga kumpol ng panloloko. Ang pagtuklas ng grupo ay nagbibigay-daan sa koordinadong istratehiya ng imbestigasyon at pagtigil.

Aralin 1 • Panganib ng Modelo at Pamamahala

Inilalapat ang mga prinsipyo ng pamamahala sa panganib ng modelo sa mga modelo ng pagtuklas ng panloloko sa kabuuan ng kanilang lifecycle. Tinitiyak ng pamamahala na ang mga modelo ay mananatiling tumpak, patas, at sumusunod sa paglipas ng panahon.

Aralin 2 • Estratehiyang Adaptive Laban sa Umuunlad na Panloloko

Bumubuo ng kakayahan ng organisasyon na matuklas at tumugon sa mga bagong taktika ng panloloko habang umuusbong ang mga ito. Binabawasan ng mga adaptive na programa ang pagitan sa pagitan ng ebolusyon ng panloloko at tugon sa pagtuklas.

Aralin 3 • Pagsukat sa Bisa ng Programa sa Panloloko

Nagtatatag ng mga KPI at mga balangkas ng pag-uulat upang mabilang ang mga resulta ng pagtuklas at pag-iwas sa panloloko. Ang pagsukat ay nagbibigay-daan sa mga desisyon sa pamumuhunan na batay sa data para sa programa.

Aralin 4 • Pamamahala ng Alerto at Mga Workflow ng Triage

Nagdidisenyo ng end-to-end na mga workflow para sa pag-ruta, pag-prioritize, at pagresolba ng mga alerto sa panloloko. Ang mahusay na triage ay nagpapalaki ng throughput ng imbestigador at nagpapaliit ng alitan sa customer.