Podvody s platebními kartami stojí každoročně všechny vydavatele karet miliardy dolarů. Banky proto každým rokem vynakládají větší úsilí na zdokonalování metod analýzy dat k efektivnímu odhalování podvodů s kartami. Existují různé techniky pro odhalování podvodných transakcí, ale nejúčinnější a nejpoužívanější jsou metody hlubokého učení. Hluboké učení jako jedna z podskupin strojového učení se stává nejoblíbenějším výzkumným bodem. Hluboké učení využívá umělé neuronové sítě. Umělé neuronové sít... zobrazit celý abstraktPodvody s platebními kartami stojí každoročně všechny vydavatele karet miliardy dolarů. Banky proto každým rokem vynakládají větší úsilí na zdokonalování metod analýzy dat k efektivnímu odhalování podvodů s kartami. Existují různé techniky pro odhalování podvodných transakcí, ale nejúčinnější a nejpoužívanější jsou metody hlubokého učení. Hluboké učení jako jedna z podskupin strojového učení se stává nejoblíbenějším výzkumným bodem. Hluboké učení využívá umělé neuronové sítě. Umělé neuronové sítě jsou flexibilní a přizpůsobivé k řešení složitých problémů, které je obtížné popsat matematickým modelem. Účelem této práce je implementovat algoritmus neuronové sítě schopný analyzovat soubor dat o podvodech s kreditními kartami pocházející z jedné české banky. Typ použité neuronové sítě je vícevrstvý perceptron. Byly vyvinuty neuronové sítě s různým počtem vrstev, neuronů, různými aktivačními funkcemi a optimalizátory. K porovnání modelů byly použíty metriky Recall, Precision, F1-score a AUROC. |