Metody wykrywania obserwacji odstających i ich zastosowanie do detekcji nadużyć

master
dc.abstract.enOutliers usually appear in data sets as a result of errors but may also signal the actual abnormal behavior of the observed element. In such a scenario, the anomaly is not an unwanted observation that should be deleted from the data set, on the contrary - it is the observation we are looking for. The work presents methods used for anomaly detection, especially the Isolation Forest model used to detect fraud.pl
dc.abstract.plObserwacje odstające najczęściej pojawiają się w zbiorach danych w wyniku błędów ale również mogą sygnalizować rzeczywiste anormalne zachowywanie obserwowanego elementu. W takim scenariuszu anomalia nie jest niechcianą obserwacją, którą należałoby wyrzucić ze zbioru danych, a wręcz przeciwnie - jest to obserwacja której poszukujemy. W pracy przybliżone zostały metody wykrywania anomalii, a szczególnie model Isolation Forest stosowany do wykrywania nadużyć finansowych.pl
dc.affiliationWydział Matematyki i Informatykipl
dc.areaobszar nauk ścisłychpl
dc.contributor.advisorTabor, Jacek - 132362 pl
dc.contributor.authorSobczyk, Patrycjapl
dc.contributor.departmentbycodeUJK/WMI2pl
dc.contributor.reviewerTabor, Jacek - 132362 pl
dc.contributor.reviewerPagacz, Patrykpl
dc.date.accessioned2020-07-28T02:38:19Z
dc.date.available2020-07-28T02:38:19Z
dc.date.submitted2019-07-04pl
dc.fieldofstudymatematyka finansowapl
dc.identifier.apddiploma-135440-193244pl
dc.identifier.projectAPD / Opl
dc.identifier.urihttps://ruj.uj.edu.pl/xmlui/handle/item/237540
dc.languagepolpl
dc.subject.enIsolation Forest, outliers, anomalies, outliers detection, random forest, fraud, machine learningpl
dc.subject.plIsolation Forest, obserwacje odstające, anomalie, detekcja anomalii, lasy losowe, fraud, uczenie maszynowepl
dc.titleMetody wykrywania obserwacji odstających i ich zastosowanie do detekcji nadużyćpl
dc.title.alternativeOutliers detection and its application to fraud preventionpl
dc.typemasterpl
dspace.entity.typePublication
dc.abstract.enpl
Outliers usually appear in data sets as a result of errors but may also signal the actual abnormal behavior of the observed element. In such a scenario, the anomaly is not an unwanted observation that should be deleted from the data set, on the contrary - it is the observation we are looking for. The work presents methods used for anomaly detection, especially the Isolation Forest model used to detect fraud.
dc.abstract.plpl
Obserwacje odstające najczęściej pojawiają się w zbiorach danych w wyniku błędów ale również mogą sygnalizować rzeczywiste anormalne zachowywanie obserwowanego elementu. W takim scenariuszu anomalia nie jest niechcianą obserwacją, którą należałoby wyrzucić ze zbioru danych, a wręcz przeciwnie - jest to obserwacja której poszukujemy. W pracy przybliżone zostały metody wykrywania anomalii, a szczególnie model Isolation Forest stosowany do wykrywania nadużyć finansowych.
dc.affiliationpl
Wydział Matematyki i Informatyki
dc.areapl
obszar nauk ścisłych
dc.contributor.advisorpl
Tabor, Jacek - 132362
dc.contributor.authorpl
Sobczyk, Patrycja
dc.contributor.departmentbycodepl
UJK/WMI2
dc.contributor.reviewerpl
Tabor, Jacek - 132362
dc.contributor.reviewerpl
Pagacz, Patryk
dc.date.accessioned
2020-07-28T02:38:19Z
dc.date.available
2020-07-28T02:38:19Z
dc.date.submittedpl
2019-07-04
dc.fieldofstudypl
matematyka finansowa
dc.identifier.apdpl
diploma-135440-193244
dc.identifier.projectpl
APD / O
dc.identifier.uri
https://ruj.uj.edu.pl/xmlui/handle/item/237540
dc.languagepl
pol
dc.subject.enpl
Isolation Forest, outliers, anomalies, outliers detection, random forest, fraud, machine learning
dc.subject.plpl
Isolation Forest, obserwacje odstające, anomalie, detekcja anomalii, lasy losowe, fraud, uczenie maszynowe
dc.titlepl
Metody wykrywania obserwacji odstających i ich zastosowanie do detekcji nadużyć
dc.title.alternativepl
Outliers detection and its application to fraud prevention
dc.typepl
master
dspace.entity.type
Publication

* The migration of download and view statistics prior to the date of April 8, 2024 is in progress.

Views
125
Views per month
Views per city
Warsaw
24
Krakow
16
Lublin
13
Wroclaw
7
Poznan
4
Bialystok
3
Kozieglowy
3
Legnica
3
Sanok
3
Lodz
2

No access

No Thumbnail Available