Makine Öğrenmesi ile Dolandırıcılık Tespiti Eğitimi

Eğitim Hakkında

Bu eğitim, finans, sigorta, e-ticaret ve ödeme sistemlerinde dolandırıcılık tespit modelleri geliştiren veya işleten ekiplerin makine öğrenmesi yöntemlerini uçtan uca uygulaması için tasarlanmış ileri düzey bir programdır. Katılımcılar Python ile dengesiz veriyle modelleme, denetimsiz anomali tespiti, ağ analitiği, açıklanabilirlik ve gerçek zamanlı skorlama mimarisini proje üzerinde uygular.

Neden Bu Eğitim?

Alana Özgü Teknikler. Aşırı dengesiz veri, gecikmeli etiket ve değişen saldırı örüntüleri gibi fraud'a özgü sorunları çözün.

Ağ Analitiği. Münferit işlemlerin ötesine geçip hesaplar, cihazlar ve kişiler arasındaki organize dolandırıcılık ağlarını ortaya çıkarın.

Üretime Hazır Yaklaşım. Milisaniyeler içinde skor üreten, izlenen ve analist geri bildirimiyle gelişen bir tespit mimarisi tasarlayın.

“Dolandırıcılar sürekli yöntem değiştirir; onları durduran, veriden hızla öğrenen ve kendini sürekli yenileyen tespit sistemleridir.”

Ön Koşullar

Python ve pandas — pandas, NumPy ve scikit-learn ile veri işleme ve model kurma deneyimine sahip olmak.
Makine Öğrenmesi — Sınıflandırma, çapraz doğrulama ve temel model değerlendirme kavramlarını bilmek.
SQL Bilgisi — İşlem verisinden özellik üretmek için temel SQL sorguları ve pencere fonksiyonlarına aşinalık.
Çalışma Ortamı — Python 3, Jupyter ve paket kurulum yetkisi olan bir bilgisayar veya bulut not defteri erişimi.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiDolandırıcılık tiplerini ve mevcut tespit yaklaşımlarını tanımak, işlem verisinin özelliklerini analiz etmek ve davranışsal özellikler üreterek modellemeye hazırlanmak.

Modül 1

Dolandırıcılık Tipolojileri ve Tespit Yaklaşımları

Kart, hesap ele geçirme ve sosyal mühendislik dolandırıcılığı
Sigorta, e-ticaret iadesi ve iç suistimal örüntüleri
Kara para aklama tipolojileri ve işlem izleme
Kural tabanlı sistemler: güçlü yönler ve sınırlar
Kural ve makine öğrenmesini birleştiren hibrit yaklaşım
Vaka: Organize bir kart dolandırıcılığı dalgasının analizi

Modül 2

Fraud Verisinin Doğası

Aşırı sınıf dengesizliği ve düşük dolandırıcılık oranı
Etiket gecikmesi, eksik etiket ve itiraz süreçleri
İşlem, müşteri, cihaz ve kanal veri kaynakları
Kavram kayması: dolandırıcıların davranış değiştirmesi
Sentetik veri setleri: PaySim ve açık kart işlem verileri
Laboratuvar: İşlem verisinin keşifsel analizi

Modül 3

Davranışsal Özellik Mühendisliği

Hız (velocity) özellikleri: zaman pencerelerinde işlem sayısı
Müşterinin olağan davranışından sapma skorları
Cihaz, IP ve konum tutarsızlığı özellikleri
Tüccar ve kategori bazlı risk kodlaması
SQL pencere fonksiyonlarıyla zaman bazlı özellik üretimi
Laboratuvar: pandas ile davranışsal özellik seti

Modül 4

Değerlendirme Tasarımı ve Temel Model

Doğruluk metriğinin fraud problemlerinde yanıltıcılığı
Kesinlik, duyarlılık, PR-AUC ve precision@k metrikleri
Zamana dayalı eğitim-test ayrımı ve veri sızıntısı
Lojistik regresyon ile referans model kurulumu
Laboratuvar: Referans modelin zamana göre değerlendirmesi
Günün değerlendirmesi ve denetimli öğrenme gününe köprü

Günün hedefiDengesiz veride güçlü sınıflandırma modelleri kurmak, maliyet odaklı eşik belirlemek ve model kararlarını analistlerin anlayacağı biçimde açıklamak.

Modül 1

Dengesiz Veri ile Çalışma Teknikleri

Alt örnekleme, üst örnekleme ve SMOTE yaklaşımları
imbalanced-learn kütüphanesi ile örnekleme hatları
Sınıf ağırlıklandırma ve maliyet duyarlı öğrenme
Örneklemenin olasılık kalibrasyonuna etkisi
Yeniden örneklemeyi yalnızca eğitim kümesinde uygulama
Laboratuvar: Örnekleme stratejilerinin karşılaştırılması

Modül 2

Ağaç Tabanlı ve Gradyan Artırma Modelleri

Random Forest ile güçlü ve yorumlanabilir başlangıç
XGBoost ve LightGBM ile yüksek performanslı modeller
Kategorik değişkenler ve CatBoost yaklaşımı
Zamana dayalı çapraz doğrulama ile hiperparametre ayarı
Optuna ile verimli hiperparametre araması
Laboratuvar: LightGBM tabanlı fraud skorlama modeli

Modül 3

Maliyet Odaklı Karar Eşiği

Kaçırılan fraud ile yanlış alarm maliyetinin karşılaştırılması
Analist kapasitesine göre eşik ve uyarı hacmi belirleme
Olasılık kalibrasyonu: Platt ve izotonik yöntemler
Risk bantları: otomatik onay, inceleme, bloklama
Müşteri deneyimi ve sürtünme maliyetinin hesaba katılması
Uygulama: Beklenen kayıp tabanlı eşik optimizasyonu

Modül 4

Açıklanabilirlik ve Analist Desteği

SHAP ile global ve işlem bazlı açıklamalar
Neden kodları: analist ve müşteri için gerekçe üretimi
Model kararlarında yanlılık ve adil muamele kontrolü
Açıklamaların inceleme süresine ve kaliteye etkisi
Laboratuvar: Şüpheli işlem için SHAP açıklama raporu
Günün özeti ve denetimsiz yöntemler gününe hazırlık

Günün hedefiEtiketsiz yeni dolandırıcılık örüntülerini anomali tespitiyle yakalamak, ağ analitiğiyle organize yapıları ortaya çıkarmak ve derin öğrenme yaklaşımlarını değerlendirmek.

Modül 1

Denetimsiz Anomali Tespiti

Isolation Forest ile işlem bazlı anomali skorları
Local Outlier Factor ve yoğunluk tabanlı yöntemler
Müşteri segmentlerine göre normal davranış profilleri
Anomali skorlarının denetimli modele özellik olarak eklenmesi
Anomali tespitinde yanlış alarm yönetimi zorlukları
Laboratuvar: Isolation Forest ile yeni örüntü taraması

Modül 2

Ağ (Graf) Analitiği ile Organize Fraud

Hesap, cihaz, IP ve alıcı ilişkilerinden graf oluşturma
NetworkX ile merkezilik ve bağlı bileşen analizi
Topluluk tespiti ile para katırı (money mule) ağları
Graf özelliklerinin sınıflandırma modeline eklenmesi
Graf sinir ağları (GNN) ve PyTorch Geometric'e giriş
Laboratuvar: Transfer ağında şüpheli kümelerin tespiti

Modül 3

Derin Öğrenme Yaklaşımları

PyTorch ile otokodlayıcı (autoencoder) tabanlı anomali tespiti
Yeniden yapılandırma hatasıyla şüpheli işlem skorlama
İşlem dizileri için sıralı modeller ve oturum analizi
Derin öğrenme ile gradyan artırmanın karşılaştırılması
Hesaplama maliyeti, gecikme ve açıklanabilirlik ödünleşimi
Laboratuvar: Otokodlayıcı ile kart işlemi anomali analizi

Modül 4

Hibrit Tespit Mimarisi

Kurallar, denetimli model ve anomali skorunun birleşimi
Skor birleştirme ve karar motoru tasarımı
Yeni saldırı tiplerine hızlı yanıt için kural katmanı
Aktif öğrenme ile analist etiketlerinin kullanımı
Vaka: Hibrit sistemle yanlış alarmların azaltılması
Günün değerlendirmesi ve üretim gününe hazırlık

Günün hedefiGerçek zamanlı skorlama mimarisini tasarlamak, model performansını ve kaymayı izlemek, düzenleyici gereklilikleri karşılamak ve uçtan uca tespit projesini sunmak.

Modül 1

Gerçek Zamanlı Skorlama Mimarisi

Toplu ve gerçek zamanlı skorlama gereksinimleri
Apache Kafka ile olay akışı ve düşük gecikmeli işleme
Çevrim içi özellik deposu ve özellik tutarlılığı
FastAPI ile model servisleme ve gecikme bütçesi
Yüksek erişilebilirlik ve kural motoruna geri düşme
Demo: İşlem akışında uçtan uca skorlama hattı

Modül 2

MLOps, İzleme ve Kavram Kayması

MLflow ile deney takibi, model kaydı ve sürümleme
Veri ve skor dağılımı kayması (PSI) izleme
Etiket gecikmesi altında performans takibi
Şampiyon-rakip testleri ve kademeli model geçişi
Düzenli yeniden eğitim ve saldırgan uyarlanması
Laboratuvar: Kayma izleme raporu oluşturma

Modül 3

Vaka Yönetimi, Düzenleme ve Yönetişim

Analist inceleme akışı ve geri bildirim döngüsü
Üretken YZ ile vaka özeti ve şüpheli işlem raporu taslağı
MASAK bildirim yükümlülükleri ve kayıt tutma
BDDK, KVKK ve model riski yönetimi beklentileri
EU AI Act'te fraud tespitinin kredi skorlamadan ayrımı
Model dokümantasyonu, doğrulama ve denetim izi

Modül 4

Uçtan Uca Tespit Projesi ve Kapanış

Grup projesi: veri, özellik, model, eşik ve mimari
Proje sunumları ve kod incelemesi geri bildirimi
Kurumsal fraud analitiği olgunluk yol haritası
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve laboratuvar not defterlerinin teslimi
İleri öğrenme kaynakları ve kapanış

Eğitim Kazanımları

Tipoloji Bilgisi — Kart, hesap ele geçirme, sigorta ve aklama tipolojilerini modellenebilir veri örüntülerine dönüştürebileceksiniz.
Özellik Mühendisliği — Hız, sapma ve cihaz tutarsızlığı gibi davranışsal özelliklerle güçlü tespit sinyalleri üretebileceksiniz.
Dengesiz Veri — Örnekleme, sınıf ağırlıklandırma ve doğru metriklerle aşırı dengesiz veride güvenilir modeller kurabileceksiniz.
Gradyan Artırma — XGBoost ve LightGBM modellerini zamana dayalı doğrulama ve maliyet odaklı eşiklerle optimize edebileceksiniz.
Açıklanabilirlik — SHAP ve neden kodlarıyla model kararlarını analistlere ve denetçilere anlaşılır biçimde açıklayabileceksiniz.
Ağ Analitiği — Graf analitiği ve topluluk tespitiyle organize dolandırıcılık ve para katırı ağlarını ortaya çıkarabileceksiniz.
Gerçek Zamanlı Tespit — Kafka, özellik deposu ve model servislemeyle düşük gecikmeli bir skorlama mimarisi tasarlayabileceksiniz.
İzleme ve Uyum — Kavram kaymasını izleyen, MASAK ve KVKK gerekliliklerini gözeten sürdürülebilir bir tespit sistemi kuracaksınız.

Kimler İçin Uygundur?

Veri bilimciler
makine öğrenmesi mühendisleri
fraud ve risk analitiği uzmanları
AML ve işlem izleme ekipleri ile banka
sigorta ve ödeme kuruluşlarının analitik ekipleri.

Sıkça Sorulan Sorular

Makine Öğrenmesi ile Dolandırıcılık Tespiti Eğitimi kimler için uygundur?

Program; veri bilimciler, makine öğrenmesi mühendisleri, fraud ve risk analitiği uzmanları, AML ve işlem izleme ekipleri ile banka, sigorta, e-ticaret ve ödeme kuruluşlarının analitik ekipleri için tasarlanmıştır.

Eğitim ne kadar sürer ve nasıl yapılandırılmıştır?

Eğitim 4 tam gün ve 16 modülden oluşur. Sırasıyla veri ve özellik mühendisliği, denetimli öğrenme, anomali tespiti ile ağ analitiği ve üretime alma günleri işlenir; son gün uçtan uca tespit projesi sunulur.

Katılım için hangi teknik bilgiler gerekiyor?

Python, pandas ve scikit-learn ile model kurma deneyimi, temel sınıflandırma ve değerlendirme kavramları ile temel SQL bilgisi beklenir. Laboratuvarlar için Python ve Jupyter kurulu bir ortam gerekir.

Eğitimde hangi kütüphane ve araçlar kullanılıyor?

pandas, scikit-learn, imbalanced-learn, XGBoost, LightGBM, CatBoost, Optuna, SHAP, NetworkX, PyTorch, PyTorch Geometric ve MLflow kullanılır; gerçek zamanlı mimari için Apache Kafka ve FastAPI örnekleri gösterilir.

Uygulamalarda gerçek müşteri verisi kullanılıyor mu, sertifika veriliyor mu?

Laboratuvarlar PaySim gibi sentetik ve açık veri setleriyle yürütülür; kapalı kurum gruplarında anonimleştirilmiş kurum verisi kullanılabilir. Programı tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

MAKİNE ÖĞRENMESİ İLE DOLANDIRICILIK TESPİTİ EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Dolandırıcılık Tipolojileri ve Tespit Yaklaşımları

Fraud Verisinin Doğası

Davranışsal Özellik Mühendisliği

Değerlendirme Tasarımı ve Temel Model

Dengesiz Veri ile Çalışma Teknikleri

Ağaç Tabanlı ve Gradyan Artırma Modelleri

Maliyet Odaklı Karar Eşiği

Açıklanabilirlik ve Analist Desteği

Denetimsiz Anomali Tespiti

Ağ (Graf) Analitiği ile Organize Fraud

Derin Öğrenme Yaklaşımları

Hibrit Tespit Mimarisi

Gerçek Zamanlı Skorlama Mimarisi

MLOps, İzleme ve Kavram Kayması

Vaka Yönetimi, Düzenleme ve Yönetişim

Uçtan Uca Tespit Projesi ve Kapanış

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Benzer Programlar

Yapay Zeka Güvenliğine Giriş Eğitimi

Yapay Zeka Kurumsal Strateji Yönetimi Eğitimi

Yapay Zeka Küresel Yönetişim Çerçeveleri Eğitimi