fraud detection

يعد كشف الاحتيال المالي من أهم التحديات التي تواجه المؤسسات المالية اليوم. يهدف هذا المشروع إلى تحليل مجموعة بيانات ضخمة تحتوي على أكثر من 6.3 مليون معاملة مالية لتحديد الأنماط والسلوكيات المرتبطة بالأنشطة الاحتيالية.

من خلال استخدام تقنيات تحليل البيانات المتقدمة (EDA) ومكتبات بايثون مثل Pandas وSeaborn وMatplotlib، قمت باستخراج رؤى قيمة تساعد في فهم كيفية حدوث الاحتيال وتوقيته والخصائص التي تميزه عن المعاملات المشروعة.

أهم ميزات المشروع:

تحليل شامل للبيانات (Exploratory Data Analysis): دراسة توزيع المعاملات الاحتيالية مقارنة بالمعاملات العادية.

تحليل أنواع العمليات: تحديد أنواع المعاملات الأكثر عرضة للاحتيال (مثل TRANSFER و CASH_OUT).

دراسة الارتباط (Correlation Analysis): تحليل العلاقة بين المتغيرات المختلفة مثل المبالغ المالية، الأرصدة قبل وبعد العملية، والوقت.

تصور البيانات (Data Visualization): إنشاء لوحة بيانات (Dashboard) احترافية تعرض النتائج بشكل بصري واضح وسهل الفهم.

إعداد البيانات (Data Preprocessing): تنظيف البيانات ومعالجة القيم المفقودة وضمان دقة النتائج.

الأدوات المستخدمة:

اللغة: Python 3.11

المكتبات: Pandas, NumPy, Matplotlib, Seaborn

البيئة: Jupyter Notebook / Google Colab