Étude des modèles avancés de ML et DL pour la détection des fraudes à la carte de crédit

Les techniques d'apprentissage automatique et d'apprentissage profond (DL) ont montré des résultats prometteurs dans la détection des activités frauduleuses. Dans cette thèse, nous proposons des approches pour la détection de la fraude par carte de crédit qui combinent des techniques d'apprentissage supervisé et non supervisé. Nous appliquons des techniques d'ingénierie des caractéristiques pour extraire les caractéristiques pertinentes de l'ensemble des données de transactions de cartes de crédit, suivies par des modèles de détection d'anomalies qui combinent des techniques d'apprentissage supervisé, semi-supervisé et d'apprentissage profond. Nous analysons l'ensemble de données en utilisant divers paramètres et méthodes. Notre étude sur les différentes méthodes de ML et DL pour la détection des transactions frauduleuses porte sur les réseaux neuronaux artificiels la régression linéaire avec autoencodeur, les K-Nearest Neighbors (KNN), XGBoost, CatBoost, Adaboost, Gradient Boosting, Random Forest, Decision Tree, K-Means Clustering, LightBGM, Régression logistique, régression logistique avec données sous-échantillonnées, Naive Bayes achieves, SVC achieves, Isolation Forest, et Local Outlier Factor. Nous évaluons notre approche sur un ensemble de données réelles de transactions par carte de crédit nommé Creditcard.csv provenant de l'ensemble de données Kaggle.