نظام كشف الاحتيال المالي باستخدام Python وتعلم الآلة نسخ

طورت نظامًا لاكتشاف المعاملات المالية الاحتيالية باستخدام Python وتقنيات تعلم الآلة، بهدف تحليل بيانات المعاملات وتصنيف العمليات المشبوهة.

أبرز ما تم تنفيذه:

معالجة البيانات وتنظيفها وتجهيزها للتحليل.

تطوير نماذج تعلم آلة للكشف عن الاحتيال.

تقييم أداء النماذج باستخدام Precision وRecall وF1-Score وPR-AUC.

استخدام SHAP لتفسير تنبؤات النماذج.

تطوير REST API لإتاحة استخدام النظام برمجيًا.

كتابة اختبارات آلية وتنظيم المشروع وتوثيق مكوناته.

التقنيات المستخدمة:

Python، Pandas، Scikit-learn، SHAP، REST API، GitHub.

النتيجة:

نظام برمجي بحثي متكامل يوضح كيفية استخدام تحليل البيانات وتعلم الآلة في اكتشاف المعاملات المشبوهة، مع الاهتمام بقابلية تفسير النتائج وجودة الكود.

المشروع يبرز خبرتي في تحليل البيانات وبناء النماذج وتطوير الحلول البرمجية باستخدام Python.

نتائج المشروع:

تمت مقارنة عدة نماذج لتعلم الآلة باستخدام بيانات IEEE-CIS، وحقق نموذج Random Forest بعد ضبط المعاملات أفضل أداء في المقارنة على مجموعة الاختبار المحجوزة، بالنتائج التالية:

PR-AUC: 0.7305

ROC-AUC: 0.9373

Recall: 0.7247

Precision: 0.5821

كما تم تطوير REST API لتسهيل استخدام النموذج برمجيًا، مع إضافة اختبارات آلية وتوثيق للمشروع.

هذه النتائج خاصة بالتقييم البحثي على بيانات الاختبار، ولا تمثل ضمانًا للأداء على معاملات حقيقية جديدة.