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 crédit57,99 €![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 €![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 crédito57,99 €![Analisi comparativa delle varianti LBP per il rilevamento di manomissioni di immagini]( "Analisi comparativa delle varianti LBP per il rilevamento di manomissioni di immagini")
Analisi comparativa delle varianti LBP per il rilevamento di manomissioni di immagini32,99 €![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 kartami57,99 €![Riconoscimento e rilevamento del volto specifico di una persona basato su CNN]( "Riconoscimento e rilevamento del volto specifico di una persona basato su CNN")
Riconoscimento e rilevamento del volto specifico di una persona basato su CNN29,99 €![FLAMED: un approccio di apprendimento profondo per il rilevamento di incendi e fumi in tempo reale]( "FLAMED: un approccio di apprendimento profondo per il rilevamento di incendi e fumi in tempo reale")
FLAMED: un approccio di apprendimento profondo per il rilevamento di incendi e fumi in tempo reale43,99 €
Le tecniche di machine learning e deep learning (DL) hanno mostrato risultati promettenti nell'individuazione di attività fraudolente. In questa tesi, proponiamo approcci per il rilevamento delle frodi con carta di credito che combinano tecniche di apprendimento supervisionato e non supervisionato. Applichiamo tecniche di feature engineering per estrarre caratteristiche rilevanti dal dataset delle transazioni con carta di credito, seguite da modelli di rilevamento delle anomalie che combinano tecniche di ML supervisionato, ML semi-supervisionato e DL. Analizziamo il set di dati utilizzando vari parametri e metodi. Il nostro studio sui vari metodi di ML e DL per il rilevamento delle transazioni fraudolente sono le Reti Neurali Artificiali (ANN), la Regressione Lineare con Autoencoder, i K-Nearest Neighbors (KNN), XGBoost, CatBoost, Adaboost, Gradient Boosting, Random Forest, Decision Tree, K-Means Clustering, LightBGM, Regressione logistica, regressione logistica con dati sottocampionati, Naive Bayes achieves, SVC achieves, Isolation Forest e Local Outlier Factor. Valutiamo il nostro approccio su un dataset di transazioni di carte di credito del mondo reale, denominato Creditcard.csv, proveniente dal dataset Kaggle.
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.