Fraud Detection Project

طوير نموذج تعلم آلة متقدم قادر على التنبؤ بالعمليات المشبوهة والاحتيالية في البيانات المالية والبنكية بدقة عالية. يهدف المشروع إلى تقليل الخسائر المالية من خلال تحديد الأنماط غير الطبيعية (Anomalies) في سلوك المعاملات لحظياً.

خطوات العمل (التركيز على الجودة):

Data Preprocessing: التعامل مع مشكلة البيانات غير المتوازنة (حيث أن عمليات الاحتيال تمثل نسبة ضئيلة جداً) باستخدام تقنيات مثل SMOTE أو Under-sampling.

Feature Engineering: استخراج ميزات (Features) قوية تساعد في التمييز بين المعاملة السليمة والمشبوهة (مثل تكرار المعاملات في وقت قصير أو الموقع الجغرافي).

Model Building: مقارنة أداء عدة خوارزميات مثل Random Forest، XGBoost، و Logistic Regression لاختيار النموذج الأكفأ.

Evaluation: التركيز على مقاييس Precision-Recall و F1-Score بدلاً من الـ Accuracy فقط، لضمان تقليل الـ False Positives (الإنذارات الخاطئة).

الأدوات المستخدمة:

Python (Pandas, Scikit-learn, Imbalanced-learn).

Visualization: استخدام Confusion Matrix و Precision-Recall Curve لتوضيح كفاءة النموذج.