Andere Kunden interessierten sich auch für
![Estudo de modelos avançados de ML e DL para deteção de fraudes com cartões de crédito]( "Estudo de modelos avançados de ML e DL para deteção de fraudes com cartões de crédito")
Estudo de modelos avançados de ML e DL para deteção de fraudes com cartões de crédito51,99 €![Studio di modelli avanzati di ML e DL per il rilevamento delle frodi sulle carte di credito]( "Studio di modelli avanzati di ML e DL per il rilevamento delle frodi sulle carte di credito")
Studio di modelli avanzati di ML e DL per il rilevamento delle frodi sulle carte di credito51,99 €![Étude des modèles avancés de ML et DL pour la détection des fraudes à la carte de crédit]( "Étude des modèles avancés de ML et DL pour la détection des fraudes à la carte de crédit")
Étude des modèles avancés de ML et DL pour la détection des fraudes à la carte de crédit51,99 €![Issledowanie usowershenstwowannyh modelej ML i DL dlq obnaruzheniq moshennichestwa s kreditnymi kartami]( "Issledowanie usowershenstwowannyh modelej ML i DL dlq obnaruzheniq moshennichestwa s kreditnymi kartami")
Issledowanie usowershenstwowannyh modelej ML i DL dlq obnaruzheniq moshennichestwa s kreditnymi kartami51,99 €![FLAMED: Ein Deep-Learning-Ansatz für die Erkennung von Feuer und Rauch in Echtzeit]( "FLAMED: Ein Deep-Learning-Ansatz für die Erkennung von Feuer und Rauch in Echtzeit")
FLAMED: Ein Deep-Learning-Ansatz für die Erkennung von Feuer und Rauch in Echtzeit60,90 €![DeepCOPD: COPD-Erkennung mittels Deep Learning]( "DeepCOPD: COPD-Erkennung mittels Deep Learning")
DeepCOPD: COPD-Erkennung mittels Deep Learning43,90 €![Erkennung menschlicher Aktivitäten mithilfe von Deep Learning]( "Erkennung menschlicher Aktivitäten mithilfe von Deep Learning")
Erkennung menschlicher Aktivitäten mithilfe von Deep Learning68,90 €
Techniken des maschinellen Lernens und des Deep Learning (DL) haben vielversprechende Ergebnisse bei der Erkennung betrügerischer Aktivitäten gezeigt. In dieser Arbeit schlagen wir Ansätze zur Erkennung von Kreditkartenbetrug vor, die überwachte und nicht überwachte Lerntechniken kombinieren. Wir wenden Feature-Engineering-Techniken an, um relevante Merkmale aus dem Datensatz für Kreditkartentransaktionen zu extrahieren, gefolgt von Modellen zur Erkennung von Anomalien, die überwachte ML-, semi-supervised ML- und DL-Techniken kombinieren. Wir analysieren den Datensatz mit verschiedenen Parametern und Methoden. Unsere Studie über verschiedene ML- und DL-Methoden zur Erkennung betrügerischer Transaktionen umfasst künstliche neuronale Netze (ANN), XGBoost, CatBoost, Adaboost, Gradient Boosting, Random Forest, Entscheidungsbaum, K-Means Clustering, LightBGM, logistische Regression, logistische Regression mit unterabgetasteten Daten, Naive Bayes achieves, SVC achieves, Isolation Forest und Local Outlier Factor. Wir evaluieren unseren Ansatz anhand eines realen Kreditkarten-Transaktionsdatensatzes namens Creditcard.csv aus dem Kaggle-Datensatz.