Informations sur le projet

  • Catégorie: Machine Learning, Python
  • Objectif: classer et distinguer les transactions frauduleuses.
  • Date du projet: Septembre, 2021
  • URL du projet: Plus d'info sur Github

Notions/Concepts/Outils utilisés

  • Langages : Python
  • Modèle de classification
  • Machine learning : XGBoost, Random forest, KNN, Logistic regression, SVM
  • Python Libraries : sklearn, xgboost, pandas, seaborn
  • Analyse exploratoire, Forecasting
  • Prerequisites: Python, Deep Learning
  • Jupyter Notebook
En quoi consiste ce projet ?

Supposons que vous soyez employé pour aider une société de cartes de crédit à détecter les cas de fraude potentiels afin que les clients soient assurés qu'ils ne seront pas facturés pour des articles qu'ils n'ont pas achetés.
On vous donne un ensemble de données contenant les transactions entre personnes, l'information qu'elles sont frauduleuses ou non, et on vous demande de les différencier. C'est le cas que nous allons traiter. Notre intention ultime est de nous attaquer à cette situation en construisant des modèles de classification pour classer et distinguer les transactions frauduleuses.