دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: نویسندگان: Wouter Verbeke &, Veronique Van Vlasselaer &, Bart Baesens [Wouter Verbeke] سری: ناشر: John Wiley & Sons سال نشر: 2015 تعداد صفحات: 0 زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 9 Mb
در صورت تبدیل فایل کتاب Fraud Analytics Using Descriptive, Predictive, and Social Network Techniques: A Guide to Data Science for Fraud Detection به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب تجزیه و تحلیل تقلب با استفاده از تکنیک های توصیفی، پیش بینی و شبکه های اجتماعی: راهنمای علم داده برای تشخیص تقلب نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
تشخیص کلاهبرداری زودتر برای کاهش ضرر و جلوگیری از آسیب های آبشاری
تجزیه و تحلیل کلاهبرداری با استفاده از تکنیک های توصیفی، پیش بینی و شبکه های اجتماعی یک کتاب راهنمای معتبر برای راه اندازی یک راه حل جامع تجزیه و تحلیل تشخیص تقلب است. تشخیص زودهنگام یک عامل کلیدی در کاهش آسیب ناشی از تقلب است، اما شامل تکنیک های تخصصی تری نسبت به کشف تقلب در مراحل پیشرفته تر است. این راهنمای ارزشمند، هم جنبههای تئوری و هم جنبههای فنی این تکنیکها را به تفصیل شرح میدهد، و بینش تخصصی را برای سادهسازی پیادهسازی ارائه میدهد. پوشش شامل جمعآوری دادهها، پیش پردازش، ساخت مدل، و پس از پیادهسازی، با راهنمایی جامع در مورد تکنیکهای مختلف یادگیری و انواع دادههای مورد استفاده هر کدام است. این تکنیکها برای تشخیص تقلب در سراسر مرزهای صنعت، از جمله برنامههای کاربردی در تقلب بیمه، کلاهبرداری از کارت اعتباری، مبارزه با پولشویی، کلاهبرداری در مراقبتهای بهداشتی، کلاهبرداری از راه دور، کلاهبرداری کلیک، فرار مالیاتی، و موارد دیگر موثر هستند و چارچوبی بسیار کاربردی برای پیشگیری از تقلب به شما ارائه میدهند. .
تخمین زده می شود که یک سازمان معمولی هر سال حدود 5٪ از درآمد خود را به دلیل تقلب از دست می دهد. تشخیص تقلب موثرتر امکان پذیر است، و این کتاب تکنیک های تحلیلی مختلفی را که سازمان شما باید برای جلوگیری از نشت درآمد پیاده کند، شرح می دهد.
الگوهای تقلب را در داده های تاریخی بررسی کنید
</ li>استفاده از داده های دارای برچسب، بدون برچسب و شبکه
تشخیص تقلب قبل از آبشار آسیب
کاهش تلفات، افزایش بازیابی، و افزایش امنیت
هر چه مدت زمان تقلب ادامه یابد، آسیب بیشتری ایجاد می کند. به طور تصاعدی گسترش مییابد و موجهایی از آسیب را به سراسر سازمان میفرستد و ردیابی، توقف و معکوس کردن آن پیچیدهتر و پیچیدهتر میشود. پیشگیری از تقلب به تشخیص زودهنگام و مؤثر تقلب متکی است که با تکنیکهای مورد بحث در اینجا امکانپذیر است. تجزیه و تحلیل کلاهبرداری با استفاده از تکنیکهای توصیفی، پیشبینیکننده و شبکههای اجتماعی به شما کمک میکند تا کلاهبرداری را متوقف کنید و فرصتهای وقوع آینده را از بین ببرید.
Detect fraud earlier to mitigate loss and prevent cascading damage
Fraud Analytics Using Descriptive, Predictive, and Social Network Techniques is an authoritative guidebook for setting up a comprehensive fraud detection analytics solution. Early detection is a key factor in mitigating fraud damage, but it involves more specialized techniques than detecting fraud at the more advanced stages. This invaluable guide details both the theory and technical aspects of these techniques, and provides expert insight into streamlining implementation. Coverage includes data gathering, preprocessing, model building, and post-implementation, with comprehensive guidance on various learning techniques and the data types utilized by each. These techniques are effective for fraud detection across industry boundaries, including applications in insurance fraud, credit card fraud, anti-money laundering, healthcare fraud, telecommunications fraud, click fraud, tax evasion, and more, giving you a highly practical framework for fraud prevention.
It is estimated that a typical organization loses about 5% of its revenue to fraud every year. More effective fraud detection is possible, and this book describes the various analytical techniques your organization must implement to put a stop to the revenue leak.
Examine fraud patterns in historical data
Utilize labeled, unlabeled, and networked data
Detect fraud before the damage cascades
Reduce losses, increase recovery, and tighten security
The longer fraud is allowed to go on, the more harm it causes. It expands exponentially, sending ripples of damage throughout the organization, and becomes more and more complex to track, stop, and reverse. Fraud prevention relies on early and effective fraud detection, enabled by the techniques discussed here. Fraud Analytics Using Descriptive, Predictive, and Social Network Techniques helps you stop fraud in its tracks, and eliminate the opportunities for future occurrence.