مدیریت مالی-یادگیری بدون نظارت برای تحلیل رفتار دینامیکی تقلب بانکداری آنلاین
تعداد کلمات فایل انگلیسی:4786 کلمه
تعداد صفحات فایل ترجمه: 17 صفحه word فونت 14 B Nazanin
یادگیری بدون نظارت برای تحلیل رفتار دینامیکی تقلب بانکداری آنلاین
چکیده- در بسیاری از موارد، پایگاه داده ها در حال تکامل دائمی هستند، داده های جدید به طور مداوم وارد می شوند. جریان داده ها چندین مسئله منحصربفرد را مطرح می کند که برنامه های روش های تحلیل داده کلاسیک را منسوخ می کند. در واقع، این پایگاه های داده به طور مداوم برخط هستند و با ورود داده های جدید در حال رشد می باشند. علاوه بر این، توزیع احتمال مرتبط با داده ها ممکن است به مرور زمان تغییر کند. در بانکداری آنلاین، تقلب یکی از مباحث بزرگ اخلاقی است. برای این چالش، اهداف اصلی روشهای داده کاوی این هستند که اولاً انواع مختلف تقلب کارتهای اعتباری را شناسایی کنند، و، دوماً تشخیص تقلب را شناسایی کنند. ما در این مقاله روش مصنوعی ارائه ساختار داده ها را پیشنهاد می کنیم که برای ذخیره سازی کارآمد، و اندازه گیری عدم تشابه بین این نمایش ها برای تغییر در ساختار جریان، به منظور تشخیص انواع مختلف تقلب در طول یک دوره زمانی می باشد. روش پیشنهادی در یک کاربرد واقعی برای تشخیص تقلب کارتهای اعتباری آنلاین تایید شد.
Unsupervised Learning for Analyzing the Dynamic Behavior of
Online Banking Fraud
Abstract—In many cases, databases are in constant evolution,
new data is arriving continuously. Data streams pose several
unique problems that make obsolete the applications of classical
data analysis methods. Indeed, these databases are constantly
on-line, growing with the arrival of new data. In addition, the
probability distribution associated with the data may change
over time. In online banking, fraud is one of the major ethical
issues. For this challenge, the main aims of the data mining
approaches are, firstly, to identify the different types of credit
card fraud, and, secondly, for the fraud detection. We propose
in this paper a method of synthetic representation of the data
structure for efficient storage of information, and a measure of
dissimilarity between these representations for the detection of
change in the stream structure, in order to detect different types
of fraud during the a period of time. The proposed approach
was validated on a real application for the on-line credit card
fraud detection.
مدیریت مالی-یادگیری بدون نظارت برای تحلیل رفتار دینامیکی تقلب بانکداری آنلاین
دانلود مقاله دات کام 
توضیحات محصول
مدیریت مالی-یادگیری بدون نظارت برای تحلیل رفتار دینامیکی تقلب بانکداری آنلاین
تعداد کلمات فایل انگلیسی:4786 کلمه
تعداد صفحات فایل ترجمه: 17 صفحه word فونت 14 B Nazanin
یادگیری بدون نظارت برای تحلیل رفتار دینامیکی تقلب بانکداری آنلاین
چکیده- در بسیاری از موارد، پایگاه داده ها در حال تکامل دائمی هستند، داده های جدید به طور مداوم وارد می شوند. جریان داده ها چندین مسئله منحصربفرد را مطرح می کند که برنامه های روش های تحلیل داده کلاسیک را منسوخ می کند. در واقع، این پایگاه های داده به طور مداوم برخط هستند و با ورود داده های جدید در حال رشد می باشند. علاوه بر این، توزیع احتمال مرتبط با داده ها ممکن است به مرور زمان تغییر کند. در بانکداری آنلاین، تقلب یکی از مباحث بزرگ اخلاقی است. برای این چالش، اهداف اصلی روشهای داده کاوی این هستند که اولاً انواع مختلف تقلب کارتهای اعتباری را شناسایی کنند، و، دوماً تشخیص تقلب را شناسایی کنند. ما در این مقاله روش مصنوعی ارائه ساختار داده ها را پیشنهاد می کنیم که برای ذخیره سازی کارآمد، و اندازه گیری عدم تشابه بین این نمایش ها برای تغییر در ساختار جریان، به منظور تشخیص انواع مختلف تقلب در طول یک دوره زمانی می باشد. روش پیشنهادی در یک کاربرد واقعی برای تشخیص تقلب کارتهای اعتباری آنلاین تایید شد.
Unsupervised Learning for Analyzing the Dynamic Behavior of
Online Banking Fraud
Abstract—In many cases, databases are in constant evolution,
new data is arriving continuously. Data streams pose several
unique problems that make obsolete the applications of classical
data analysis methods. Indeed, these databases are constantly
on-line, growing with the arrival of new data. In addition, the
probability distribution associated with the data may change
over time. In online banking, fraud is one of the major ethical
issues. For this challenge, the main aims of the data mining
approaches are, firstly, to identify the different types of credit
card fraud, and, secondly, for the fraud detection. We propose
in this paper a method of synthetic representation of the data
structure for efficient storage of information, and a measure of
dissimilarity between these representations for the detection of
change in the stream structure, in order to detect different types
of fraud during the a period of time. The proposed approach
was validated on a real application for the on-line credit card
fraud detection.
مدیریت مالی-یادگیری بدون نظارت برای تحلیل رفتار دینامیکی تقلب بانکداری آنلاین