Deteção de Fraude

Código:

CC4036

Sigla:

CC4036

Nível:

400

Áreas Científicas
Classificação	Área Científica
OFICIAL	Ciência de Computadores

Ocorrência: 2017/2018 - 2S

Ativa?	Sim
Página Web:	http://www.dcc.fc.up.pt/~nmoniz/DF1718
Unidade Responsável:	Departamento de Ciência de Computadores
Curso/CE Responsável:	Mestrado em Segurança Informática

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
M:SI	17	Plano de estudos a partir de 2014/2015	1	-	6	42	162

Língua de trabalho

Português - Suitable for English-speaking students

Objetivos

Os objectivos desta unidade curricular passam pelo estudo de meteodologias de análise de dados que sejam úteis em contextos de deteção e/ou previsão de situações fraudulentas. Com a crescente utilização de métodos de recolha de dados em praticamente todas as atividades humanas, aumenta a necessidade da utilização de técnicas que permitam analisar os mesmos de forma automática com o objetivo de detetar e/ou prever situações que possam ser consideradas anómalas e potencialmente fraudulentas.

Resultados de aprendizagem e competências

Pretende que os(as) alunos(as) :

1. Adquiram competências teóricas sobre metodologias de análise de dados úteis para a deteção e previsão de fraude;

2. Adquiram competências práticas para o desenvolvimento e utilização de software para a deteção e previsão de fraude;

3. Adquiram prática de deteção de fraude através da análise de casos de estudo concretos sobre este tipo de problemas.

Modo de trabalho

Presencial

Programa

Semana 1 (15 Feb)
- Apresentação
- Introdução a Data Mining
- Introdução a R
- Conceitos Básicos no R (1/2)

Week 2 (22 Feb)
- Conceitos Básicos no R (2/2)
- 'Reporting' no R

Week 3 (1 Mar)
- Importação de Dados no R
- Pre-Processamento de Dados
- Sumarização de Dados

Week 4 (8 Mar)
- Visualização de Dados

Week 5 (15 Mar)
- Introdução a Modelação Preditiva
- Métricas de Avaliação
- Modelos baseados em árvores
- Naïve Bayes

Week 6 (22 Mar)
- k-Nearest Neighbours
- Support Vector Machines
- Clustering

Week 7 (29 Mar)
Férias da Páscoa

Week 8 (5 Apr)
1º Teste

Week 9 (12 Apr)
- Aprendizagem com Ensembles

Week 10 (19 Apr)
- Metodologias de Avaliação
- Avaliação de Performance

Week 11 (26 Apr)
- Deteção de Outliers

Week 12 (3 May)
- Aprender com Domínios Desbalanceados (1/3)

Week 13 (10 May)
- Aprender com Domínios Desbalanceados (2/3)

Week 14 (17 May)
- Aprender com Domínios Desbalanceados (3/3)

Week 15 (24 May)
2º Teste

Bibliografia Obrigatória

Barnett Vic; Outliers in statistical data. ISBN: 0-471-99599-1
Torgo Luís; Data Mining with R. ISBN: 9781439810187 hbk

Bibliografia Complementar

Han,J.; Kamber,M and Pei,J.; Data Mining: concepts and techniques (3rd edition)

Métodos de ensino e atividades de aprendizagem

As aulas são teórico-práticas, com a exposição da matéria complementada por exercícios práticos em computador.

Software

R statistical software

Tipo de avaliação

Avaliação distribuída sem exame final

Componentes de Avaliação

Designação	Peso (%)
Teste	60,00
Trabalho prático ou de projeto	40,00
Total:	100,00

Obtenção de frequência

Para obtenção de frequência é necessário ter mais do que 7 valores em cada um dos dois testes escritos da unidade curricular.

Fórmula de cálculo da classificação final

A classificação final é dada pela fórmula:

NF = 0.6 * NT + 0.4 * NP

em que NT é a nota teórica dada pela média entre a nota dos dois testes escritos; e NP é dado pela média pesada dos dois trabalhos práticos: NP = 0.4*TP1 + 0.6*TP2, em que o TP1 é o primeiro e TP2 é o segundo trabalho prático.

Nota: NT = (NT1 + NT2)/2 em que NT1(2) é a nota no teste 1(2), sujeito a que NT1 > 7 e NT2 > 7.