Βιβλιοθήκη ΟΠΑ - Ψηφιακό Αποθετήριο

ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη

Όνομα χρήστη
Κωδικός πρόσβασης

Συλλογές :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Διοίκησης Επιχειρήσεων / School of Business Τμήμα Λογιστικής και Χρηματοοικονομικής / Department of Accounting and Finance Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Τίτλος :	Ανίχνευση απάτης πιστωτικών καρτών με χρήση machine learning

Δημιουργός :	Ιερωνυμάκης, Βασίλειος

Συντελεστής :	Μπάλλας, Απόστολος (Επιβλέπων καθηγητής) Καραμπίνης, Νικόλαος (Εξεταστής) Σιουγλέ, Γεωργία (Εξεταστής) Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Λογιστικής και Χρηματοοικονομικής (Degree granting institution)

Τύπος :	Text

Φυσική περιγραφή :	49 σ.

Γλώσσα :	el

Αναγνωριστικό :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=6532

Περίληψη :	Οι τεχνολογικές βελτιώσεις που βιώνουμε στη σύγχρονη ζωή έχουν σημαντική επίπτωσηστην ασφάλεια και στην προστασία της ιδιωτικής ζωής. Η τεχνολογία έχει ενταχθεί σεπεριοχές που φαίνεται να κάνουν τη ζωή μας ευκολότερη κάνοντας την γρηγορότερη καιπιο αξιόπιστη. Στην αντίθετη πλευρά των τεχνολογικών βελτιώσεων βρίσκονται τα θέματαασφαλείας. Σήμερα οι απειλές ολοένα γίνονται πιο εξελιγμένες και βίαιες και οδηγούν στηνκλοπή προσωπικών πληροφοριών. Οι πληροφορίες σχετικά με τις κάρτες είναι τεράστιοπρόβλημα το οποίο χρήζει ιδιαίτερης προσοχής. Σε αυτή τη διπλωματική θα διερευνηθείτο πρόβλημα της ταξινόμησης της απάτης πιστωτικών καρτών με τη χρήση νευρωνικώνδικτύων. Αυτές οι τεχνικές εφαρμόζονται σε ανεπεξέργαστα δεδομένα. Τα αποτελέσματαδείχνουν μεγαλύτερη ακρίβεια με την χρήση Decision Tree, k-neigbors, LinearSVC, LogisticRegression, Isolation Forest και Local Outlier Factor classifiers ενώ τα αποτελέσματα είναι99,96%, 99,94%, 99,93%, 99,92%, 99,77% και 99,65% αντίστοιχα. The technological improvements that we experience in modern life has align significantimpact in privacy and security. Technology has envolved in areas that seems to make our lifeeasier, from our day to day commincation to the way that payment of goods and services aremade faster and more reliable. In the opposite side the fraudsters use the same Technology.In the area of security research there is alwayas a non-win situation between the researchersand the opponents. Nowdays the threats have been more sophisticated and violent, databreaches that lead to personal information beeing stolen and especial credit card informationis enormous problem that needs immidiatelly attention. In this thesis i investigate the problemof classification of fraud credit card transcation using neuronal networks. These techniquesare applied on raw data. The results indicate about the optimal accuracy of Decision Tree, kneigbors,LinearSVC, Logistic Regression, Isolation Forest, Local Outlier Factor classifiersare 99.96%, 99.94%, 99.93%, 99.92%, 99.77% and 99.65% respectively.

Περίληψη :

Οι τεχνολογικές βελτιώσεις που βιώνουμε στη σύγχρονη ζωή έχουν σημαντική επίπτωσηστην ασφάλεια και στην προστασία της ιδιωτικής ζωής. Η τεχνολογία έχει ενταχθεί σεπεριοχές που φαίνεται να κάνουν τη ζωή μας ευκολότερη κάνοντας την γρηγορότερη καιπιο αξιόπιστη. Στην αντίθετη πλευρά των τεχνολογικών βελτιώσεων βρίσκονται τα θέματαασφαλείας. Σήμερα οι απειλές ολοένα γίνονται πιο εξελιγμένες και βίαιες και οδηγούν στηνκλοπή προσωπικών πληροφοριών. Οι πληροφορίες σχετικά με τις κάρτες είναι τεράστιοπρόβλημα το οποίο χρήζει ιδιαίτερης προσοχής. Σε αυτή τη διπλωματική θα διερευνηθείτο πρόβλημα της ταξινόμησης της απάτης πιστωτικών καρτών με τη χρήση νευρωνικώνδικτύων. Αυτές οι τεχνικές εφαρμόζονται σε ανεπεξέργαστα δεδομένα. Τα αποτελέσματαδείχνουν μεγαλύτερη ακρίβεια με την χρήση Decision Tree, k-neigbors, LinearSVC, LogisticRegression, Isolation Forest και Local Outlier Factor classifiers ενώ τα αποτελέσματα είναι99,96%, 99,94%, 99,93%, 99,92%, 99,77% και 99,65% αντίστοιχα.
The technological improvements that we experience in modern life has align significantimpact in privacy and security. Technology has envolved in areas that seems to make our lifeeasier, from our day to day commincation to the way that payment of goods and services aremade faster and more reliable. In the opposite side the fraudsters use the same Technology.In the area of security research there is alwayas a non-win situation between the researchersand the opponents. Nowdays the threats have been more sophisticated and violent, databreaches that lead to personal information beeing stolen and especial credit card informationis enormous problem that needs immidiatelly attention. In this thesis i investigate the problemof classification of fraud credit card transcation using neuronal networks. These techniquesare applied on raw data. The results indicate about the optimal accuracy of Decision Tree, kneigbors,LinearSVC, Logistic Regression, Isolation Forest, Local Outlier Factor classifiersare 99.96%, 99.94%, 99.93%, 99.92%, 99.77% and 99.65% respectively.

Λέξη κλειδί :	Πιστωτικές κάρτες Απάτη Credit cards Fraud

Διαθέσιμο από :	2018-11-17 23:51:16

Ημερομηνία έκδοσης :	11/16/2018

Ημερομηνία κατάθεσης :	2018-11-17 23:51:16

Δικαιώματα χρήσης :	Free access

Άδεια χρήσης :

Αρχείο: Ieronymakis_2018.pdf

Τύπος: application/pdf

Είσοδος