Comparación de métodos de aprendizaje automático para la clasificación de transacciones fraudulentas

dc.contributorLozano Martínez, Fernando Enrique
dc.contributorGarcía Cárdenas, Juan José
dc.contributorSegura Quijano, Fredy Enrique
dc.creatorBuitrago Ariza, Juan Camilo
dc.date.accessioned2023-07-19T21:25:12Z
dc.date.accessioned2023-09-07T01:59:54Z
dc.date.available2023-07-19T21:25:12Z
dc.date.available2023-09-07T01:59:54Z
dc.date.created2023-07-19T21:25:12Z
dc.date.issued2023-06-06
dc.identifierhttp://hdl.handle.net/1992/68553
dc.identifierinstname:Universidad de los Andes
dc.identifierreponame:Repositorio Institucional Séneca
dc.identifierrepourl:https://repositorio.uniandes.edu.co/
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/8728860
dc.description.abstractEste trabajo presenta una comparación objetiva de la clasificación de transacciones fraudulentas realizada por modelos entrenados de aprendizaje automático al considerar las dificultades intrínsecas del problema. Asimismo, se muestra el proceso de preparación de los datos, de la selección de los parámetros de los algoritmos y selección de métricas de desempeño, con la explicación de las decisiones tomadas. Esto con el fin de tener un marco de referencia para trabajos futuros y aportar a la investigación general del campo de detección de fraude.
dc.languagespa
dc.publisherUniversidad de los Andes
dc.publisherIngeniería Electrónica
dc.publisherFacultad de Ingeniería
dc.publisherDepartamento de Ingeniería Eléctrica y Electrónica
dc.relationSammut, C. & Webb, G. I. (eds.) (2017). Encyclopedia of Machine Learning and Data Mining. New York: Springer. ISBN: 978-1-4899-7685-7. Anomaly Detection p. 42-52
dc.relationMehrotra, K. G., Mohan, C. K., & Huang, H. (2017). Anomaly detection principles and algorithms (Vol. 1). New York, NY, USA: Springer International Publishing.
dc.relationHilal et al. (2022). Financial Fraud: A Review of Anomaly Detection Techniques and Recent Advances. Expert Systems With Applications 193, 116429. ELSEVIER.
dc.relationPérez, G. (2021). Detección de transacciones fraudulentas en tarjetas de crédito mediante el uso de modelos de Machine Learning. Departamento de Ingeniería Eléctrica y Electrónica. Universidad de los Andes
dc.relationHastie, T., Tibshirani, R., & Friedman, J. (Eds.). (2014). The elements of statistical learning. Springer
dc.relationJames, G., Witten, D., & Hastie, T. (2013). An introduction to statistical learning: With applications in R. Springer.
dc.relationGeron, A. (2017). Hands-on machine learning with scikit-learn and TensorFlow. O'Reilly Media.
dc.relationGoodfellow et al. (2016). Deep Learning. MIT Press. https://www.deeplearningboog.org
dc.relationClaude, S., & Webb Geoffrey, I. (2010). Encyclopedia of machine learning. Springer Science+Business Media.
dc.relationMcKinney, W. (2022). Python for Data Analysis (3a ed.). O'Reilly Media.
dc.relationVigderman, A. (2023, enero 31). 2023 credit card fraud report. Security.org. https://www.security.org/digital-safety/credit-card-fraud-report/
dc.relationKwaku. J er al. (2023) A supervised machine learning algorithm for detecting and predicting fraud in credit card transactions. Decision Analytics Journal, 6, 100163 Doi: https://doi.org/10.1016/j.dajour.2023.100163
dc.relationGupta. P et al. (2023) Unbalanced Credit Card Fraud Detection Data: A Machine LearningOriented Comparative Study of Balancing Techniques. Procedia Computer Science 218, Pages 2575-2584. ELSEVIER. doi: https://doi.org/10.1016/j.procs.2023.01.231
dc.relationNILSON Report Issue 1232, diciembre 2022. Recuperado de: https://nilsonreport.com/publication_newsletter_archive_issue.php?issue=1232
dc.relationAkshara I. (2021) Anomaly detenction using Isolation Forest - A Complete Guide. Analytics Vidhya. Recuperado de: https://www.analyticsvidhya.com/blog/2021/07/anomaly-detectionusing-isolation-forest-a-complete-guide/
dc.relationIEEE-CIS Fraud Detection. Kaggle. Recuperado de: https://www.kaggle.com/c/ieee-frauddetection/discussion/101203
dc.relationSruthi ER. (2023) Understand Random Forest Algorithms with Examples. Analytics Vidhya. Recuperado de: https://www.analyticsvidhya.com/blog/2021/06/understanding-random-forest/
dc.relationIntroduction to XGBoost Algorithm in Machine Learning. Analytics Vidhya. Recuperado de: https://www.analyticsvidhya.com/blog/2018/09/an-end-to-end-guide-to-understand-the-mathbehind-xgboost/
dc.rightsAttribution-NoDerivatives 4.0 Internacional
dc.rightsAttribution-NoDerivatives 4.0 Internacional
dc.rightshttp://creativecommons.org/licenses/by-nd/4.0/
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightshttp://purl.org/coar/access_right/c_abf2
dc.titleComparación de métodos de aprendizaje automático para la clasificación de transacciones fraudulentas
dc.typeTrabajo de grado - Pregrado


Este ítem pertenece a la siguiente institución