prikaz prve stranice dokumenta Otkrivanje financijskih prijevara pomoću strojnog učenja
No public access
master's thesis
Otkrivanje financijskih prijevara pomoću strojnog učenja
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2020. urn:nbn:hr:168:647115
Jambrečić, Robert
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Jambrečić, R. (2020). Otkrivanje financijskih prijevara pomoću strojnog učenja (Master's thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:647115

Jambrečić, Robert. "Otkrivanje financijskih prijevara pomoću strojnog učenja." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2020. https://urn.nsk.hr/urn:nbn:hr:168:647115

Jambrečić, Robert. "Otkrivanje financijskih prijevara pomoću strojnog učenja." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2020. https://urn.nsk.hr/urn:nbn:hr:168:647115

Jambrečić, R. (2020). 'Otkrivanje financijskih prijevara pomoću strojnog učenja', Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 03 June 2024, https://urn.nsk.hr/urn:nbn:hr:168:647115

Jambrečić R. Otkrivanje financijskih prijevara pomoću strojnog učenja [Master's thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2020 [cited 2024 June 03] Available at: https://urn.nsk.hr/urn:nbn:hr:168:647115

R. Jambrečić, "Otkrivanje financijskih prijevara pomoću strojnog učenja", Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2020. Available at: https://urn.nsk.hr/urn:nbn:hr:168:647115

Metadata
TitleOtkrivanje financijskih prijevara pomoću strojnog učenja
Title (english)Detection of Financial Frauds Using Machine Learning
AuthorRobert Jambrečić
MentorMarin Šilić (mentor)
Committee memberMarin Šilić (predsjednik povjerenstva)
Committee memberKlemo Vladimir (član povjerenstva)
Committee memberGoran Delač (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2020-07-07, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Abstract
Za rješavanje problema otkrivanja financijskih prijevara isprobane su metode nadziranog i nenadziranog strojnog učenja. Ako se koristi neuravnotežen skup za učenje, tradicionalni nenadzirani modeli postižu bolje rezultate od tradicionalnih nadziranih modela. Isprobane su različite arhitekture autoenkodera kao metoda predobrade podataka, ali bez doprinosa kvaliteti sustava. Za uspješno rješavanje zadatka, ključno je odrediti način rješavanja problema neuravnoteženog skupa podataka. Tradicionalni nadzirani modeli strojnog učenja postižu najbolje rezultate ako se na skupu za učenje provede SMOTE uravnotežavanje. S druge strane, potpuno povezana neuronska mreža i konvolucijska neuronska mreža najbolje rezultate postižu uz neuravnoteženi skup za učenje. Pritom treba težine postaviti tako da model kod učenja obraća veću pažnju na manjinsku klasu.
Abstract (english)
For detecting financial frauds, supervised and unsupervised machine learning methods have been tested. If an unbalanced training set is being used, traditional unsupervised models achieve better results than traditional supervised models. Different autoencoder arhitectures are tried as data preprocessing method, but without contributing to the quality of the system. For task solving success, it is crucial to determine class balancing method. Traditional machine learning supervised models achieve the best results if the training set is balanced using the SMOTE algorithm. On the other hand, fully connected neural network and convolutional neural network achieve the best results, while using the unbalanced training set, but with setting the weights that the model uses to pay more attention to the minority class while training.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:168:647115
Study programmeTitle: Computing
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
Type of resourceText
File originBorn digital
Access conditionsClosed access
Terms of useLicence In copyright icon
Public note
Created on2023-01-13 12:30:28