Fraudedetectie met Machine Learning in de Cloud
Cloud machine learning verandert hoe financiële teams beslissingen nemen - dit programma legt de technische en praktische basis.
Programma-inhoud
Programmastructuur
- Week 1-2: Fraudepatronen in financiële data herkennen
- Week 3-4: Datavoorbereiding en feature engineering
- Week 5: Modeltraining in Amazon SageMaker
- Week 6: Modelvergelijking: Random Forest vs XGBoost vs neurale netwerken
- Week 7: Omgaan met ongebalanceerde data (SMOTE, undersampling)
- Week 8-9: Eindopdracht: fraudedetectiemodel bouwen en documenteren
Deelnemers krijgen toegang tot een privé cloudomgeving voor de duur van het programma.
Technisch begeleider
Uitgebreide beschrijving
Financiële fraude kost Europese instellingen jaarlijks miljarden euro. Traditionele regelgebaseerde systemen missen steeds vaker afwijkende patronen die voor mensen moeilijk zichtbaar zijn. Dit programma gaat in op hoe ML-modellen dat gat opvullen.
Technische aanpak
Je leert werken met anomaliedetectie en supervised classification op transactiedata. We gebruiken Amazon SageMaker als cloudplatform. De datasets zijn geanonimiseerd en afkomstig uit realistische bankscenarios.
Modelkeuze en afwegingen
Niet elk model werkt even goed voor fraudedetectie. We vergelijken Random Forest, XGBoost en neurale netwerken op basis van precisie, recall en verwerkingstijd. Je leert wanneer je welk model kiest en waarom dat afhangt van je specifieke situatie.
Er is ook aandacht voor het omgaan met sterk ongebalanceerde datasets, een veelvoorkomend probleem bij fraudedata waarbij slechts een klein percentage van de transacties daadwerkelijk frauduleus is.
Praktijkgerichte opbouw
Elke module eindigt met een labsessie waarbij je een eigen detectiemodel bouwt en evalueert. Aan het einde lever je een volledig gedocumenteerd model in als eindopdracht.