نظام ذكي لاكتشاف الاحتيال في معاملات بطاقات الائتمان باستخدام تعلم الآلة

قمت بتصميم وتطوير نظام متكامل لاكتشاف عمليات الاحتيال في معاملات بطاقات الائتمان بشكل فردي، اعتمادًا على تقنيات تعلم الآلة وتحليل البيانات المتقدم. يستخدم المشروع مجموعة بيانات مجهولة الهوية تضم أكثر من 284,000 معاملة مالية، من بينها 492 معاملة احتيالية فقط، مما شكّل تحديًا كبيرًا بسبب عدم توازن البيانات.

يركز النظام على بناء خط معالجة آلي ودقيق قادر على التعامل مع البيانات واسعة النطاق، وتحقيق أداء مرتفع في اكتشاف المعاملات الاحتيالية مع تقليل الإنذارات الخاطئة.

منهجية العمل

إجراء تحليل استكشافي شامل للبيانات (EDA) لفهم التوزيعات والأنماط والعلاقات

تنظيف البيانات ومعالجتها وتطبيع الخصائص

بناء وتدريب عدة نماذج تعلم آلة ومقارنتها، تشمل:

Logistic Regression

Random Forest

Gradient Boosting

LightGBM

Multi-Layer Perceptron (MLP)

اختيار النموذج الأفضل بناءً على مقاييس تقييم مناسبة للبيانات غير المتوازنة

التقييم والنتائج

الاعتماد على مقياس Area Under the Precision-Recall Curve (AUPRC) بدلًا من الدقة العامة

أفضل نموذج كان LightGBM محققًا:

AUPRC = 0.786

Precision للمعاملات الاحتيالية: 84.6%

Recall: 78.6%

قابلية التفسير

استخدام مكتبة SHAP لشرح قرارات النموذج

تحديد الخصائص الأكثر تأثيرًا في اكتشاف الاحتيال من خلال رسوم تحليلية

واجهة العرض ولوحة التحكم

تطوير لوحة تحكم تفاعلية باستخدام Streamlit

دعم اللغتين العربية والإنجليزية

عرض المقاييس والرسوم البيانية ومعاينة البيانات

إمكانية مقارنة النماذج وتصفية النتائج

المخرجات

نماذج مدربة وجاهزة لإعادة الاستخدام

تقارير تقييم تفصيلية

مخططات تحليلية شاملة

تطبيق ويب تفاعلي لعرض النتائج

التقنيات المستخدمة

Python

scikit-learn

LightGBM

SHAP

pandas

matplotlib

seaborn

Streamlit