Anomaly Detection

يهدف هذا المشروع إلى كشف الشذوذ في معاملات بطاقات الائتمان من خلال تحليل البيانات واستخدام تقنيات خفض الأبعاد (Dimensionality Reduction) لتسهيل اكتشاف الأنماط غير الطبيعية. تم التركيز على تحليل البيانات المالية لاكتشاف المعاملات التي قد تشير إلى نشاط احتيالي أو سلوك غير معتاد.

الأدوات والمكتبات المستخدمة:

NumPy, Pandas: لتحليل البيانات ومعالجتها.

Matplotlib, Seaborn: لإنشاء تصورات بيانية تساعد في فهم العلاقات والأنماط.

Scikit-learn:

StandardScaler و Pipeline: لتوحيد البيانات وتنظيم خطوات المعالجة.

PCA, SparsePCA, KernelPCA, FastICA, GaussianRandomProjection: لتطبيق تقنيات خفض الأبعاد وتحسين دقة اكتشاف الشذوذ.

train_test_split: لتقسيم البيانات إلى مجموعة تدريب واختبار.

Metrics مثل Precision و Recall و ROC-AUC: لتقييم أداء النموذج في كشف المعاملات الشاذة.

النتائج والأثر:

تم تطوير نموذج قادر على تمييز المعاملات الطبيعية من المشبوهة بدرجة دقة عالية عبر استخدام تقنيات خفض الأبعاد والتقييم الإحصائي، مما يساعد في تعزيز أنظمة كشف الاحتيال المالي وتقليل الأخطاء الناتجة عن التحليل اليدوي.