Im digitalen Zeitalter mit Millionen von Online-Transaktionen täglich gewinnt die Betrugserkennung zunehmend an Bedeutung. In dem Kurs
Betrugserkennung mit dem Azure Machine Learning Studio wird gezeigt, wie man mithilfe des Azure Machine Learning Studios Klassifizierungsmodelle zur automatisierten Betrugserkennung erstellt, trainiert und evaluiert.
Zuerst wird erklärt, was eine Klassifizierung ist, und gängige Probleme und Lösungsansätze werden vorgestellt. Im nächsten Schritt werden drei gebräuchliche Klassifizierungsalgorithmen vermittelt: die Support Vector Machine, den Random Forest und den XGBoost. Das Azure ML Studio bietet drei Möglichkeiten, um ML-Modelle aufzusetzen: das AutoML und den Designer für die Erstellung ohne Code sowie die Notebooks, die umfassende Programmierkenntnisse erfordern, aber größere Flexibilität bieten. Der Kurs führt Schritt für Schritt durch die drei Varianten und geht zum Schluss auf die Metriken zur Bewertung der Klassifizierungsmodelle ein.
Der Kurs vermittelt folgende Inhalte:
- Einleitung: Maschinelles Lernen für die automatisierte Betrugserkennung nutzen
- Einführung in Klassifizierungsprobleme
• Was ist eine Klassifizierung?
• Anwendungsbeispiele für Klassifizierungsverfahren
• Typische Herausforderungen
• Unsaubere Kriterien
• Falsche Merkmale
• Fließende Übergänge
• Nichttrennbarkeit von Klassen
• Umgang mit Ausreißern
• Residual- oder Restklassen
- Techniken
• Betrugserkennung: Das Problem von Overfitting und Underfitting
• Lösung: Die Kreuzvalidierung
• Betrugserkennung: Das Problem des unbalancierten Datensatzes
• Lösung: Smplingmethoden
• Algorithmus: Random-Forest-Klassifizierung
• Algorithmus: XGBoost (Gradienten-Boosting-Verfahren)
• Algorithmus: Support Vector Machine
- Umsetzung in Azure ML Studio
• AutoML einrichten
• AutoML auswerten
• Umsetzung in Azure ML Designer
• Ergebnisse im Designer interpretieren
• Mit Notebooks arbeiten
• Umsetzung im Notebook: Training und Bewertung
- Abschluss