Search academic texts

Information × Registration Number 2125U003203, Article popup.category Бакалаврська робота Title Моделі машинного навчання для виявлення шахрайських транзакцій у фінансових системах (AI translated) popup.author Пилипенко Артем ВолодимировичPylypenko Artem Volodymyrovych popup.publication 01-01-2025 popup.source_user Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» popup.source https://ela.kpi.ua/handle/123456789/76039 popup.publisher Київ Description Дипломна робота: 84 ст., 25 рис., 2 табл., 14 посилань, 2 додатки. У роботі досліджується застосування моделей машинного навчання для виявлення шахрайських транзакцій у фінансових системах. Основну увагу приділено каскадній моделі, яка включає кілька етапів з різними методами класифікації та обробки даних. Описано побудову моделі — від попередньої обробки до застосування складних алгоритмів. Мета дослідження — створити ефективну каскадну модель для точного й своєчасного виявлення шахрайства, що сприятиме зниженню фінансових ризиків і підвищенню якості моніторингу. Об’єктом дослідження є процес виявлення шахрайських транзакцій у фінансових системах шляхом застосування машинного навчання. Предметом дослідження є каскадна модель для класифікації транзакцій на основі статистичних ознак, класифікаційних алгоритмів та нейронних мереж. Актуальність цієї роботи зумовлена стрімким зростанням кількості онлайн-платежів та цифрових фінансових операцій, що у свою чергу, робить проблему виявлення шахрайських транзакцій надзвичайно актуальною для забезпечення безпеки користувачів і стабільного функціонування фінансових систем. Проаналізовано підходи до обробки транзакцій, формування ознак і виявлення аномалій у контексті боротьби з шахрайством. Показано переваги каскадного моделювання, яке забезпечує ефективну роботу з великими фінансовими даними та підвищує точність виявлення шахрайських операцій. Thesis: 64 pages, 25 figures, 2 tables, 14 sources, 2 appendices. This work explores the application of machine learning models for detecting fraudulent transactions in financial systems. The primary focus is on a cascade model that involves multiple stages with various classification and data processing methods. The model development is described from preprocessing to the use of advanced algorithms. The aim of the research is to create an effective cascade model for accurate and timely fraud detection, which will help reduce financial risks and improve monitoring quality. The object of the study is the process of detecting fraudulent transactions in financial systems using machine learning. The subject is the cascade model for classifying transactions based on statistical features, classification algorithms, and neural networks. The relevance of this work is driven by the rapid growth of online payments and digital financial operations, which makes fraud detection a pressing issue for ensuring user security and the stable functioning of financial systems. The study analyzes approaches to transaction processing, feature engineering, and anomaly detection in the context of fraud prevention. It highlights the advantages of cascade modeling, which enables efficient handling of large financial datasets and enhances the accuracy of fraud detection. popup.nrat_date 2025-11-05 Close