Andere Kunden interessierten sich auch für
![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 €![Uma análise comparativa das variantes LBP para a deteção de adulteração de imagens]( "Uma análise comparativa das variantes LBP para a deteção de adulteração de imagens")
Uma análise comparativa das variantes LBP para a deteção de adulteração de imagens29,99 €![Studie über fortgeschrittene ML- und DL-Modelle zur Erkennung von Kreditkartenbetrug]( "Studie über fortgeschrittene ML- und DL-Modelle zur Erkennung von Kreditkartenbetrug")
Studie über fortgeschrittene ML- und DL-Modelle zur Erkennung von Kreditkartenbetrug79,90 €![DeepCOPD: detecção de DPOC usando aprendizado profundo]( "DeepCOPD: detecção de DPOC usando aprendizado profundo")
DeepCOPD: detecção de DPOC usando aprendizado profundo29,99 €![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 €![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: Uma abordagem de aprendizagem profunda para a deteção de incêndios e fumo em tempo real]( "FLAMED: Uma abordagem de aprendizagem profunda para a deteção de incêndios e fumo em tempo real")
FLAMED: Uma abordagem de aprendizagem profunda para a deteção de incêndios e fumo em tempo real39,99 €
As técnicas de aprendizagem automática e de aprendizagem profunda (DL) têm mostrado resultados promissores na deteção de actividades fraudulentas. Nesta tese, propomos abordagens para a deteção de fraudes com cartões de crédito que combinam técnicas de aprendizagem supervisionadas e não supervisionadas. Aplicamos técnicas de engenharia de características para extrair características relevantes do conjunto de dados de transacções com cartões de crédito, seguidas de modelos de deteção de anomalias que combinam ML supervisionado, ML semi-supervisionado e técnicas DL. Analisamos o conjunto de dados utilizando vários parâmetros e métodos. O nosso estudo sobre vários métodos de ML e DL na deteção de transacções fraudulentas inclui Redes Neuronais Artificiais (ANN), Redes Neuronais Convolucionais (CNN), Regressão Linear com Autoencoder, K-Nearest Neighbors (KNN), XGBoost, CatBoost, Adaboost, Gradient Boosting, Random Forest, Árvore de Decisão, K-Means Clustering, LightBGM, Regressão Logística, regressão logística com dados subamostrados, Naive Bayes alcança, SVC alcança, Isolation Forest e Local Outlier Fator. Avaliamos a nossa abordagem num conjunto de dados de transacções com cartões de crédito do mundo real denominado Creditcard.csv do conjunto de dados Kaggle.