Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio.unb.br/handle/10482/44797
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2022_LemonierBarbosadeLima.pdf782,5 kBAdobe PDFVisualizar/Abrir
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisorCajueiro, Daniel Oliveira-
dc.contributor.authorLima, Lemonier Barbosa de-
dc.date.accessioned2022-09-13T21:38:14Z-
dc.date.available2022-09-13T21:38:14Z-
dc.date.issued2022-09-12-
dc.date.submitted2022-06-06-
dc.identifier.citationLIMA, Lemonier Barbosa de. O uso de técnicas de Machine Learning para melhorar a prevenção à fraude. 2022. 48 f., il. Dissertação (Mestrado em Economia) — Universidade de Brasília, Brasília, 2022.pt_BR
dc.identifier.urihttps://repositorio.unb.br/handle/10482/44797-
dc.descriptionDissertação (mestrado) — Universidade de Brasília, Faculdade de Economia, Administração e Contabilidade, Departamento de Economia, Programa de Pós-Graduação em Ciências Econômicas, 2022.pt_BR
dc.description.abstractNesse estudo, com a utilização de técnicas de machine learning, procuramos construir um modelo de detecção de fraudes em cartões de crédito, que seja útil para detectar antecipadamente atos ilícitos e contribuir para reduzir prejuízos para as corporações. Utilizamos uma base de dados com transações de cartões de crédito, disponibilizada no site Kaggle e aplicamos técnicas de classificação, em especial os modelos Random Forest, Regressão Logistica e Redes Neurais. A expansão da tecnologia moderna e da comunicação global tem propiciado uma maior ocorrência de fraudes, que resulta em perdas substanciais para os negócios. Detectar fraudes e principalmente prever sua ocorrência, portanto, é uma questão de sobrevivência para as corporações. Modelos cada vez mais precisos podem ser elaborados com o advento da inteligência artificial e do machine learning, bem como, como o auxílio dos big datas e advanced analytics. Embora seja impossível impedir a fraude, considerando que é uma atividade inerentemente humana, podemos usar tecnologias de detecção e prevenção, além de engenharia social, para tentar reduzir o risco e ficar um passo à frente dos fraudadores. Como resultado o leitor é capaz de compreender e aprender sobre um pipeline que pode auxiliar na prevenção à fraude, e observamos que é possível obter melhores resultados por meio da análise exploratória e a customização das técnicas disponíveis, sendo o modelo de Random Forests o que apresentou melhor performance nos testes deste estudo.pt_BR
dc.language.isoPortuguêspt_BR
dc.rightsAcesso Abertopt_BR
dc.titleO uso de técnicas de Machine Learning para melhorar a prevenção à fraudept_BR
dc.typeDissertaçãopt_BR
dc.subject.keywordAprendizagem de máquinapt_BR
dc.subject.keywordFraudes bancáriaspt_BR
dc.subject.keywordDetecção de fraudespt_BR
dc.subject.keywordCartões de crédito - fraudept_BR
dc.rights.licenseA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.pt_BR
dc.description.abstract1In this study, using machine learning techniques, we seek to build a model for detecting credit card fraud, which is useful for early detection of illicit acts and contributing to reduce losses for corporations. We use a database with credit card transactions, available on the Kaggle website and apply classification techniques, especially the Random Forest models, Logistic Regression and Neural Networks. The expansion of modern technology and global communication has led to a greater occurrence of fraud, which results in substantial losses for the business. Detecting fraud and, above all, predicting its occurrence, therefore, is a matter of survival for corporations. More and more accurate models can be developed with the advent of artificial intelligence and machine learning, as well as, with the help of big data and advanced analytics. While it is impossible to prevent fraud, given that it is an inherently human activity, we can use detection and prevention technologies, as well as social engineering, to try to reduce risk and stay one step ahead of fraudsters. As a result, the reader is able to understand and learn about a pipeline that can help prevent fraud, and we observed that it is possible to obtain better results through exploratory analysis and the customization of available techniques, with the Random Forests which presented the best performance in the tests of this study.pt_BR
dc.description.unidadeFaculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas (FACE)pt_BR
dc.description.unidadeDepartamento de Economia (FACE ECO)pt_BR
dc.description.ppgPrograma de Pós-Graduação em Economiapt_BR
Aparece nas coleções:Teses, dissertações e produtos pós-doutorado

Mostrar registro simples do item Visualizar estatísticas



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.