26298

ارائه يك مدل تركيبي داده كاوي با استفاده از الگوريتم يادگيري عميق خودرمزگذار و الگوريتم درخت محور تقويتي انطباقي به منظور كشف تخلف در داده هاي غير بالانس كارت هاي اعتباري

كارشناسي ارشد

مهندسي صنايع

1400

1400/08/29

دكتر هادي صاحبي

دكتر محمد رضا رسولي

مهندسي پيشرفت

همراه با پيشرفت در علم فن اوري اطلاعات و كانال هاي ارتباطي ،تقلب در سراسر جهان در حال گسترش است و منجر به ضررهاي مالي عظيمي مي شود. كشف تخلف همواره يكي از اصلي ترين و مهم ترين مسائل سازماني، مخصوصا در ميان بانك ها بوده است. تشخيص تخلف به روش هاي سنتي امكان پذير نمي باشد بنابراين در دهه هاي اخير، استفاده از رويكردهاي نوين نظير داده كاوي در اين زمينه به موفقيت هاي بزرگي دست يافته اند. در اين پژوهش با بهره گيري ازيك مدل تركيبي و نوآورانه داده كاوي، مدلي براي كشف تخلف در داده هاي تخلف كارت اعتباري ارائه شده است. عملكرد مدل حاكي از آن است برتري آن از لحاظ دقت و زمان اجرا مي باشد. دقت مدل پيشنهادي در تشخيص موارد تخلف 97.58 درصد مي باشد كه بالاتر از ساير مدل هاي موجود در ادبيات در اين زمينه مي باشد.

1400/12/21

Introducing a Data Mining Hybrid Model Based on Autoencoder Deep Learning, and Adaboost Method for Fraud Detection in Imbalanced Data

11/20/2022 12:00:00 AM

Detection of violations has always been one of the main organizational issues, especially among banks. It is not possible to detect violations by traditional methods, so in recent decades, the use of new approaches such as data mining in this field has achieved great success. In this study, using a combined and innovative data mining model, a model for detecting violations in credit card violation data is presented. The performance of the model indicates its superiority in terms of accuracy and execution time. The accuracy of the proposed model in detecting violations is 97.58%, which is higher than other models in the literature in this field.

داده كاوي , كشف تخلف , يادگيري عميق

Data Mining , Fraud Detection , , Deep Learning

seyed saeid mousavi

Dr. Hadi Sahebi