Estudio de modelos avanzados de ML y DL para la detección de fraudes con tarjetas de crédito

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.