Business Knowledge Series курс

По некоторым оценкам, порядка 5% годового убытка типичной организации вызваны мошенничеством разного рода. В данном курсе мы обсудим, как можно бороться с мошенничеством с помощью исторических данных, помогающих изучить «шаблоны» мошеннических действий. Будет рассмотрено использование методов машинного обучения «с учителем» (используя обучающий набор данных), методов классификации «без учителя» (использующие набор данных без целевой переменной) и изучения социальных связей клиента (на основе набора данных, содержащего информацию о структуре социальной сети). Методики, обсуждаемые на курсе, могут применяться в широком круге задач – выявление мошенничества в страховании, банках, в области телекоммуникаций, в налоговой и таможенной сферах. Курс содержит как теоретические и технические сведения, которые помогут лучше разобраться с изучаемыми темами, так и вопросы, связанные с практическим внедрением аналитических методик. В течение курса лектором будут представлены результаты последних исследований, посвященных изучаемым вопросам, а также приведены конкретные практические примеры, закрепляющие материал.

• Как подготовить данные для выявления мошенничества (создание выборки, обработка пропущенных значений, выбросы, категоризация, …)
• Построение моделей для выявления мошенничества с помощью методов «обучения с учителем» (логистическая регрессия, деревья решений, нейронные сети, ансамбли моделей, …);
• Построение моделей для выявления мошенничества с помощью методов «обучения без учителя» (иерархическая кластеризация, неиерархическая кластеризация, метод k-средних, самоорганизующиеся карты, …);
• Построение моделей для выявления мошенничества с помощью методов анализа социальных связей (характеризация (featurization), PageRank, …)

Аудитория

Финансовые, государственные учреждения, страховые компании.

Доступные форматы обучения	Продолжительность
Очный:	2.0 дня(ей)
e-Learning:	21 часа(ов)/180 день доступ

Используется SAS Enterprise Miner ПО

• Почему важно выявление мошенничества
• Что такое мошенничество
• Аномальное поведение
• Цикл мошенничества
• Типы мошенничества
• Примеры мошенничества в области страхования и кредитных карт
• Ключевые характеристики успешной модели выявления мошенничества
• Проблемы при определении мошенничества
• Подходы к выявлению мошеннических действий

• Зачем нужно заниматься подготовкой данных
• Типы переменных
• Создание выборки
• Визуальное исследование данных
• Пропущенные значения
• Определение выбросов и их обработка
• Стандартизация данных
• Трансформация данных
• Грубая классификация и группировка признаков
• Перекодирование категориальных переменных
• Сегментация
• Выбор переменных

• Определение целевой переменной
• Линейная регрессия
• Логистическая регрессия
• Деревья решений
• Методы построения ансамблей моделей: bagging, boosting, «случайный лес»
• Нейронные сети
• Обработка классов со скошенным распределением
• Оценка моделей для выявления мошенничества

• Обучение без учителя
• Подходы к кластеризации: иерархическая кластеризация, метод k-средних, самоорганизующиеся карты
• Анализ равноправной группы
• Анализ контрольной точки

• Социальные связи и приложения
• Является ли мошенничество социальным явлением?
• Компоненты социальных связей
• Визуализация социальных связей
• Метрики социальных связей
• Исследование сообществ
• Выводы на основании исследования социальных связей
• От односвязных к двусвязным графам
• Изучение биграфа
• Распространение мошенничества

• Количественный мониторинг: тестирование на исторических данных и сравнение
• Качественный мониторинг: качество данных, разработка модели, документация, корпоративное управление