Andere Kunden interessierten sich auch für
![UN ESTUDIO SOBRE LA GESTIÓN DE RIESGOS EN SCRUM]( "UN ESTUDIO SOBRE LA GESTIÓN DE RIESGOS EN SCRUM")
UN ESTUDIO SOBRE LA GESTIÓN DE RIESGOS EN SCRUM38,99 €![La eficacia comparativa de los distintos modelos de software]( "La eficacia comparativa de los distintos modelos de software")
La eficacia comparativa de los distintos modelos de software26,99 €![Enfoque de aprendizaje automático para la detección de voz]( "Enfoque de aprendizaje automático para la detección de voz")
Enfoque de aprendizaje automático para la detección de voz34,99 €![Análisis comparativo de variantes de LBP para la detección de manipulación de imágenes]( "Análisis comparativo de variantes de LBP para la detección de manipulación de imágenes")
Análisis comparativo de variantes de LBP para la detección de manipulación de imágenes30,99 €![Estudio y aplicación de un sistema de inventario]( "Estudio y aplicación de un sistema de inventario")
Estudio y aplicación de un sistema de inventario36,99 €![Predicción de brotes de COVID-19 mediante modelos de aprendizaje supervisado]( "Predicción de brotes de COVID-19 mediante modelos de aprendizaje supervisado")
Predicción de brotes de COVID-19 mediante modelos de aprendizaje supervisado26,99 €![Detección de bordes de objetos mediante la magnitud del gradiente]( "Detección de bordes de objetos mediante la magnitud del gradiente")
Detección de bordes de objetos mediante la magnitud del gradiente27,99 €
Las técnicas de aprendizaje automático y aprendizaje profundo (DL) han mostrado resultados prometedores en la detección de actividades fraudulentas. En esta tesis, proponemos enfoques para la detección de fraudes con tarjetas de crédito que combinan técnicas de aprendizaje supervisado y no supervisado. Aplicamos técnicas de ingeniería de características para extraer características relevantes del conjunto de datos de transacciones de tarjetas de crédito, seguidas de modelos de detección de anomalías que combinan ML supervisado, ML semisupervisado y técnicas de DL. Analizamos el conjunto de datos utilizando varios parámetros y métodos. Nuestro estudio sobre varios métodos ML y DL en la detección de transacciones fraudulentas son Redes Neuronales Artificiales, Redes Neuronales Convolucionales, Clasificador de Vectores de Soporte con Autoencoder, K-Nearest XGBoost, CatBoost, Adaboost, Gradient Boosting, Random Forest, Decision Tree, K-Means Clustering, LightBGM, Logistic Regression, regresión logística con datos submuestreados, Naive Bayes logra, SVC logra, Isolation Forest y Local Outlier Factor. Evaluamos nuestro enfoque en un conjunto de datos de transacciones de tarjetas de crédito del mundo real llamado Creditcard.csv del conjunto de datos Kaggle.