کتاب صوتی کاربرد الگوریتم‌های طبقه‌بندی در تشخیص تقلب

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاربرد الگوریتم‌های طبقه‌بندی در تشخیص تقلب

موضوع کلی: هوش مصنوعی و مدیریت ریسک در صنعت بیمه

موضوع میانی: تشخیص تقلب در بیمه با استفاده از الگوریتم‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی طبقه‌بندی و تشخیص تقلب
• 2. الگوریتم‌های طبقه‌بندی: یک نمای کلی
• 3. آماده‌سازی داده‌ها برای طبقه‌بندی
• 4. ویژگی‌های کلیدی در تشخیص تقلب
• 5. انتخاب ویژگی‌های مؤثر
• 6. پیش‌پردازش داده‌ها و پاک‌سازی
• 7. روش‌های کاهش ابعاد داده
• 8. درخت تصمیم برای تشخیص تقلب
• 9. ماشین بردار پشتیبان (SVM) در تقلب‌یابی
• 10. شبکه‌های عصبی مصنوعی (ANN) در تشخیص تقلب
• 11. روش‌های ارزیابی مدل‌های طبقه‌بندی
• 12. ماتریس درهم‌ریختگی و معیارهای ارزیابی
• 13. اعتبارسنجی متقابل (Cross-Validation)
• 14. مدل‌سازی تقلب با استفاده از رگرسیون لجستیک
• 15. روش‌های ensemble در تشخیص تقلب
• 16. Boosting و کاربرد آن در تقلب‌یابی
• 17. Bagging و ایجاد مدل‌های قوی
• 18. جنگل تصادفی (Random Forest) و تشخیص تقلب
• 19. نرم‌افزار و ابزارهای طبقه‌بندی
• 20. پیاده‌سازی الگوریتم‌ها در پایتون
• 21. کتابخانه‌های پایتون برای یادگیری ماشین
• 22. بررسی موردی: تقلب در تراکنش‌های مالی
• 23. تشخیص تقلب در کارت‌های اعتباری
• 24. تشخیص تقلب در بیمه
• 25. تشخیص تقلب در سیستم‌های آنلاین
• 26. تشخیص تقلب در شبکه‌های اجتماعی
• 27. تشخیص تقلب در داده‌های پزشکی
• 28. تشخیص تقلب در بازاریابی
• 29. روش‌های تشخیص تقلب مبتنی بر قانون
• 30. تشخیص تقلب مبتنی بر ناهنجاری
• 31. یادگیری بدون ناظر برای تشخیص تقلب
• 32. استفاده از خوشه‌بندی در تقلب‌یابی
• 33. تکنیک‌های کاهش داده برای تقلب‌یابی
• 34. مدل‌سازی سری‌های زمانی در تشخیص تقلب
• 35. تحلیل الگوهای رفتاری در تقلب
• 36. مقابله با داده‌های نامتوازن در تشخیص تقلب
• 37. تکنیک‌های oversampling و undersampling
• 38. استفاده از روش‌های cost-sensitive learning
• 39. بهینه‌سازی مدل‌های طبقه‌بندی
• 40. انتخاب پارامترهای بهینه مدل
• 41. تنظیم دقیق مدل‌ها برای افزایش دقت
• 42. تفسیرپذیری مدل‌های طبقه‌بندی
• 43. اهمیت شفافیت در تشخیص تقلب
• 44. تکنیک‌های visual analytics برای تقلب‌یابی
• 45. نگهداری و به‌روزرسانی مدل‌های تقلب