Please use this identifier to cite or link to this item: http://hdl.handle.net/10609/148477
Full metadata record
DC FieldValueLanguage
dc.contributor.authorArtola Moreno, Álvaro-
dc.contributor.otherMonzo, Carlos-
dc.coverage.spatialAndratx-
dc.date.accessioned2023-07-21T18:40:38Z-
dc.date.available2023-07-21T18:40:38Z-
dc.date.issued2023-06-
dc.identifier.urihttp://hdl.handle.net/10609/148477-
dc.description.abstractThe goal of this project is to implement predictive models utilising machine learning techniques in order to prevent financial fraud in transactions made using credit and debit cards. The vast amount of data available for analysis presents an opportunity to construct predictive models which can detect anomalous patterns and behaviours in transactions. Several machine learning techniques have been evaluated, including logistic regression analysis, decision trees, neural networks, and k-nearest neighbour classification, with an emphasis on their ability to handle large volumes of data and adapt to various types of models. The results of this project are highly promising, as the implemented predictive models have demonstrated a high degree of accuracy in detecting suspicious anomalous transactions. Early identification of fraudulent activities can be of great benefit to financial institutions, enabling them to take swift action to prevent economic losses and safeguard their clients from potential fraudulent attacks.en
dc.description.abstractEl proyecto se enfoca en la implementación de modelos predictivos basados en técnicas de aprendizaje automático para prevenir el fraude financiero en transacciones con tarjetas de crédito y débito. La gran cantidad de datos disponibles para su análisis hace que se convierta en una oportunidad para construir modelos predictivos que permitan detectar patrones y comportamientos anómalos en las transacciones. Se han analizado diversas técnicas de aprendizaje automático, como el análisis de regresión logística, los árboles de decisión, las redes neuronales y la clasificación por vecinos más cercanos, seleccionándose por su capacidad para trabajar con grandes volúmenes de datos y su capacidad para adaptarse a diferentes tipos de modelos. Los resultados obtenidos en el desarrollo del proyecto son muy prometedores, ya que los modelos predictivos implementados han demostrado una alta precisión en la detección de transacciones anómalas sospechosas de fraude. La identificación temprana de estas actividades fraudulentas puede ser de gran utilidad para las entidades financieras, ya que les permite actuar rápidamente para evitar pérdidas económicas y proteger a sus clientes de posibles ataques fraudulentos.es
dc.format.mimetypeapplication/pdfca
dc.language.isospaca
dc.publisherUniversitat Oberta de Catalunya (UOC)ca
dc.rightsCC BY-NC-ND*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/es/-
dc.subjectaprendizaje automáticoes
dc.subjectmachine learningen
dc.subjectclasificaciónes
dc.subjectclassificationen
dc.subjectinteligencia artificiales
dc.subjectartificial intelligenceen
dc.subjectregresiónes
dc.subjectregressionen
dc.subjectdébitoes
dc.subjectdebiten
dc.subjectcréditoes
dc.subjectcrediten
dc.subjectfraudees
dc.subjectfraudca
dc.subject.lcshMachine learning -- TFMen
dc.titleCrimen Financiero. Detección de fraude en tarjetas de crédito aplicando aprendizaje automáticoca
dc.typeinfo:eu-repo/semantics/masterThesisca
dc.audience.educationlevelEstudis de Màsterca
dc.audience.educationlevelEstudios de Másteres
dc.audience.educationlevelMaster's degreesen
dc.subject.lemacAprenentatge automàtic -- TFMca
dc.contributor.tutorMolina Casasnovas, Rubén-
dc.rights.accessRightsinfo:eu-repo/semantics/openAccess-
Appears in Collections:Bachelor thesis, research projects, etc.

Files in This Item:
File Description SizeFormat 
aartolamTFM0723.pdf4,15 MBAdobe PDFThumbnail
View/Open
Share:
Export:
View statistics

This item is licensed under aCreative Commons License Creative Commons