نظام ذكي لاكتشاف الاحتيال في بطاقات الائتمان باستخدام التعلم العميق و Focal Loss

مشروع اكتشاف الاحتيال في بطاقات الائتمان باستخدام تقنيات الذكاء الاصطناعي والتعلم العميق على بيانات من Kaggle تضم:

284,807 معاملة منها 492 فقط احتيالية → مشكلة بيانات غير متوازنة.

المعالجة:

استخدام Voting Classifier لدمج نماذج متعددة.

تطوير شبكة عصبية باستخدام PyTorch مع Focal Loss لمعالجة مشكلة التوازن بين الفئات.

تجربة عدة قيم للـ Alpha و Gamma للحصول على أفضل أداء.

النتائج:

F1-Score = 0.86

PR_AUC = 0.85

تحسين في أداء اكتشاف الاحتيال مقارنة بطرق مثل SMOTE و Under-Sampling التي لم تحقق نتائج جيدة.

مكونات المشروع:

تحليل استكشافي للبيانات (EDA).

تجهيز البيانات ومعالجتها.

تدريب النماذج باستخدام إعدادات مخصصة (config).

تقييم الأداء على بيانات الاختبار.

حفظ النماذج ونتائج التدريب (TensorBoard).

الأدوات والتقنيات:

Python, PyTorch

Focal Loss

Voting Classifier

SMOTE & Under-Sampling (للمقارنة)

TensorBoard

مجالات الاستخدام:

الأنظمة البنكية والمالية.

منصات الدفع الإلكتروني.

أي نظام يحتاج لاكتشاف الاحتيال في المعاملات الرقمية.