| Studiju veids |
maģistra akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Kredītkaršu drošības uzturēšanas metodes maksājumu sistēmās |
| Nosaukums angļu valodā |
Credit card fraud detection methods in payment system |
| Struktūrvienība |
12300 Lietišķo datorsistēmu institūts |
| Darba vadītājs |
Aleksejs Jurenoks |
| Recenzents |
Ingars Eriņš |
| Anotācija |
Šajā darbā apskatīta dažādu mašīnmācīšanās metožu pielietošana, lai atklātu krāpšanu kredītkaršu darījumos, uzlabotu krāpšanas detektēšanas precizitāti, izmantojot WEKA rīku, kā arī lai izvēlētos vispiemērotāko metodi labāko rezultātu sasniegšanai. Saskaņā ar vadošajām teorijām, ko izvēlējos, pārskatot zinātnisko literatūru no 2002. līdz 2017. gadam, krāpšanu kredītkaršu darījumos varētu atklāt sekojošas metodes: mākslīgie neironu tīkli (ANN), K-tuvākie kaimiņi(KNN), klasifikācijas un regresijas koks (CART), Bayesas tīkli, atbalsta vektoru mašīnas, naivās Bayes, loģistiskā regresija, nejaušais mežs. Ar mērķi atrast vispiemērotāko metodi precīzai detektēšanai, darbā tika apskatītas tikai šo metožu pamatversijas, izslēdzot iepriekšējo pētnieku pielietotās metodes vai metožu kombinācijas, lai atklātu krāpšanu kredītkaršu darījumos. Šajā darbā klasifikācijai tika izmantots atvērtā koda mašīnmācīšanās rīks WEKA, kas ekspertu skatījumā ir viens no labākajiem instrumentiem. Ar WEKA instrumenta palīdzību analizējot iegūtais salīdzinājums ļauj uzskatīt, ka mākslīgajiem neironu tīkliem un K-tuvākajiem kaimiņiem ir šķietami labas izlaides un labs metriskais novērtējums salīdzinājumā ar citu algoritmu pamatversijām. |
| Atslēgas vārdi |
KRĀPŠANAS ATKLĀŠANA, KREDĪTKARTES, MAŠĪNMĀCĪŠANĀS |
| Atslēgas vārdi angļu valodā |
FRAUD DETECTION, CREDIT CARD, MACHINE LEARNING |
| Valoda |
eng |
| Gads |
2019 |
| Darba augšupielādes datums un laiks |
11.01.2019 13:03:49 |
