|
|
|
|
| LEADER |
02713na a2200229 4500 |
| 003 |
HR-ZaFER |
| 008 |
160221s2019 ci ||||| m||| 00| 0 hr d |
| 035 |
|
|
|a (HR-ZaFER)ferid6853
|
| 040 |
|
|
|a HR-ZaFER
|b hrv
|c HR-ZaFER
|e ppiak
|
| 100 |
1 |
|
|a Dragovčić, Antoni
|9 40483
|
| 245 |
1 |
0 |
|a Otkrivanje prijevara u korištenju kreditnih kartica primjenom metoda strojnog učenja :
|b diplomski rad /
|c Antoni Dragovčić ; [mentor Goran Delač].
|
| 246 |
1 |
|
|a Credit Card Fraud Detection Using Machine Learning Techniques
|i Naslov na engleskom:
|
| 260 |
|
|
|a Zagreb,
|b A. Dragovčić,
|c 2019.
|
| 300 |
|
|
|a 48 str. ;
|c 30 cm +
|e CD-ROM
|
| 502 |
|
|
|b diplomski studij
|c Fakultet elektrotehnike i računarstva u Zagrebu
|g smjer: Računarska znanost, šifra smjera: 56, datum predaje: 2019-06-28, datum završetka: 2019-07-09
|
| 520 |
3 |
|
|a Sažetak na hrvatskom: Tema ovog rada je razvoj programskog rješenja za otkrivanje prijevara u kartičnom plaćanju, kao jednom od rastućih problema u financijskom sektoru. U tu se svrhu koriste popularni algoritmi strojnog učenja -- neuronska mreža tipa autoenkoder i logistička regresija. Implementirana su tri pristupa problemu. Prvi koristi autoenkoder, drugi logističku regresiju, dok treći pristup kombinira te dvije metode. Dodatno, navedeni algoritmi su potkrijepljeni teorijskom podlogom. Rješenja se vrednuju nad neuravnoteženim skupom podataka stvarnih transakcija prikupljenih u razdoblju dva dana 2013. godine na europskom platežnom području. Korištene metrike vrednovanja su preciznost, odziv i mjera f1. Konačno, dobiveni rezultati se komentiraju i uspoređuju.
|
| 520 |
3 |
|
|a Sažetak na engleskom: The topic of this thesis is the development of a software solution for detecting frauds in card payments as one of the growing financial sector issues. For this purpose, popular machine learning algorithms -- autoencoder as a type of neural network and logistic regression are being used. Three approaches to the problem were implemented. The first one uses an autoencoder, the second one logistic regression and finally, the third approach combines the first two methods. In addition, these algorithms are supported by theoretical background. Solutions are valued over an unbalanced set of real transaction data collected in the two-day period of 2013 on the European Payments Area. The metrics used are precision, recall and f1-score. Finally, the measured results are compared and commented on.
|
| 653 |
|
1 |
|a otkrivanje prijevara u kartičnom plaćanju
|a strojno učenje
|a autoenkoder
|a logistička regresija
|
| 653 |
|
1 |
|a credit card fraud detection
|a machine learning
|a autoencoder
|a logistic regression
|
| 700 |
1 |
|
|a Delač, Goran
|4 ths
|9 40484
|
| 942 |
|
|
|c Y
|
| 999 |
|
|
|c 51206
|d 51206
|