Étude des modèles avancés de ML et DL pour la détection des fraudes à la carte de crédit

Les techniques d'apprentissage automatique et d'apprentissage profond (DL) ont montr des r sultats prometteurs dans la d tection des activit s frauduleuses. Dans cette th se, nous proposons des approches pour la d tection de la fraude par carte de cr dit qui combinent des techniques d'apprentissage supervis et non supervis . Nous appliquons des techniques d'ing nierie des caract ristiques pour extraire les caract ristiques pertinentes de l'ensemble des donn es de transactions de cartes de cr dit, suivies par des mod les de d tection d'anomalies qui combinent des techniques d'apprentissage supervis , semi-supervis et d'apprentissage profond. Nous analysons l'ensemble de donn es en utilisant divers param tres et m thodes. Notre tude sur les diff rentes m thodes de ML et DL pour la d tection des transactions frauduleuses porte sur les r seaux neuronaux artificiels la r gression lin aire avec autoencodeur, les K-Nearest Neighbors (KNN), XGBoost, CatBoost, Adaboost, Gradient Boosting, Random Forest, Decision Tree, K-Means Clustering, LightBGM, R gression logistique, r gression logistique avec donn es sous- chantillonn es, Naive Bayes achieves, SVC achieves, Isolation Forest, et Local Outlier Factor. Nous valuons notre approche sur un ensemble de donn es r elles de transactions par carte de cr dit nomm Creditcard.csv provenant de l'ensemble de donn es Kaggle.