دوره مدل‌سازی ریسک تقلب با برنامه‌نویسی احتمالی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌سازی ریسک تقلب با برنامه‌نویسی احتمالی

موضوع کلی: فراوانی مالی و تشخیص تقلب

موضوع میانی: برنامه‌نویسی احتمالی برای مدل‌سازی ریسک

📋 سرفصل‌های دوره

• 1. درک چشم‌انداز ریسک تقلب و منابع داده
• 2. پیش‌پردازش داده‌های تراکنشی برای مدل‌های تقلب
• 3. تعریف دسته‌بندی‌ها و برچسب‌های تقلب
• 4. مروری بر نظریه احتمال برای مدل‌سازی تقلب
• 5. فرضیه بیز در تشخیص تقلب
• 6. انتخاب توزیع‌های پیشین برای الگوهای تقلب
• 7. مدل‌سازی احتمال معاملات عادی
• 8. مدل‌سازی احتمال معاملات غیرعادی
• 9. ساخت یک مدل بیزایی ساده برای تقلب
• 10. پیاده‌سازی مدل‌های احتمالی با PyMC3
• 11. نصب و پیکربندی PyMC و کتابخانه‌های مرتبط
• 12. نوشتن اولین مدل احتمالی با پایتون
• 13. روش‌های نمونه‌گیری: MCMC و نمونه‌گیری گیبس
• 14. تشخیص همگرایی زنجیره‌های MCMC
• 15. بررسی پیش‌بینی پس از مدل‌سازی
• 16. مقایسه مدل‌های بیزایی و فرکانس‌محور
• 17. ادغام منابع داده خارجی (جغرافیایی، جمعیت‌شناختی)
• 18. مهندسی ویژگی برای مدل‌های احتمالی تقلب
• 19. انتخاب ویژگی‌های مرتبط با میانگین‌سازی بیزایی مدل
• 20. مدیریت داده‌های نامتوازن در مدل‌سازی تقلب
• 21. ارزیابی عملکرد مدل با استفاده از نمودار AUC و Lift
• 22. معیارهای Precision-Recall برای رویدادهای نادر تقلب
• 23. استراتژی‌های اعتبارسنجی متقاطع برای داده‌های سری زمانی تقلب
• 24. تشخیص تقلب در زمان واقعی با استفاده از داده‌های جریان
• 25. استقرار مدل‌های احتمالی در محیط‌های تولید
• 26. نظارت بر تغییر مدل و کیفیت داده
• 27. قابلیت توضیح و تفسیرپذیری مدل‌های احتمالی
• 28. نمایش توزیع‌های پسین با استفاده از ArviZ
• 29. تحلیل حساسیت به فرضیات پیشین
• 30. مدل‌سازی سلسله‌مراتب‌ای برای طرح‌های تقلب چندگانه
• 31. مدل‌سازی چندسطحی برای بخش‌های مشتری
• 32. مدل‌سازی مشترک تلاش‌های مرتبط با تقلب
• 33. ادغام قضاوت کارشناسان از طریق پیشین‌های اطلاع‌رسان
• 34. شبیه‌سازی سناریوهای تقلب با استفاده از مدل‌های تولیدی
• 35. آزمایش استرس مدل‌ها با استفاده از حملات مصنوعی
• 36. ادغام سیستم‌های مبتنی بر قاعده با مدل‌های احتمالی
• 37. مدل‌های ترکیبی: ترکیب شبکه‌های عصبی و استنتاج بیزایی
• 38. استفاده از برنامه‌نویسی احتمالی برای تشخیص ناهنجاری
• 39. کالیبراسیون امتیاز ناهنجاری برای قوانین کسب‌وکار
• 40. تعیین توابع هزینه حساس به هزینه برای تقلب
• 41. تحلیل هزینه-فایده سیستم‌های تشخیص تقلب
• 42. بهینه‌سازی آستانه تصمیم‌گیری برای سودآوری
• 43. مطالعه مورد عملی: مدل‌سازی تقلب کارت‌های اعتباری
• 44. مطالعه مورد عملی: مدل‌سازی تقلب در تجارت الکترونیک خرده‌فروشی
• 45. مدل‌سازی تقلب در ادعاهای بیمه با استفاده از برنامه‌نویسی احتمالی
• 46. کاربردهای ضد پولشوی پول
• 47. رعایت مقررات و حسابرسی مدل
• 48. ملاحظات اخلاقی در تشخیص خودکار تقلب
• 49. تکنیک‌های حفظ حریم خصوصی برای داده‌های تراکنشی
• 50. یادگیری فدرال برای مدل‌سازی توزیع‌شده تقلب
• 51. محاسبات مقیاس‌پذیر با PyMC برای داده‌های بزرگ
• 52. شتاب‌دهنده موازی و GPU برای نمونه‌گیری MCMC
• 53. استقرار مدل‌های احتمالی در پلتفرم‌های ابری (AWS, GCP, Azure)
• 54. محتوی‌سازی مدل‌های احتمالی با Docker
• 55. خط لوله‌های CI/CD برای پروژه‌های علوم داده
• 56. نظارت و هشدار برای عملکرد مدل
• 57. برنامه‌های بازآموزش خودکار مدل
• 58. کنترل نسخه برای کدهای احتمالی (Git)
• 59. تحقیقات قابل بازتولید با استفاده از یادداشت‌های کامپیوتری و اسکریپت‌ها
• 60. بهترین روش‌های مستندسازی برای مدل‌های تقلب
• 61. ارائه نتایج به ذینفعان
• 62. ارائه بینش‌های ریسک تقلب به تیم‌های کسب‌وکار
• 63. ساخت پایگاه دانش داخلی برای تحلیلگرهای تقلب
• 64. آموزش کارکنان غیرفنی در مورد مدل‌های احتمالی
• 65. جهت‌گیری‌های آینده: استنتاج علّی برای تقلب
• 66. ادغام داده‌های بلاک‌چین در مدل‌های تقلب
• 67. تشخیص ناهنجاری در زمان واقعی با استفاده از مدل‌های احتمالی جریان
• 68. برنامه‌نویسی احتمالی مقیاس‌پذیر با Stan
• 69. مدل‌های سلسله‌مراتب‌ای پیشرفته برای شبکه‌های پیچیده تقلب
• 70. جهت‌گیری‌های پژوهشی و مسائل باز در مدل‌سازی احتمالی تقلب