addressalign-toparrow-leftarrow-rightbackbellblockcalendarcameraccwcheckchevron-downchevron-leftchevron-rightchevron-small-downchevron-small-leftchevron-small-rightchevron-small-upchevron-upcircle-with-checkcircle-with-crosscircle-with-pluscrossdots-three-verticaleditemptyheartexporteye-with-lineeyefacebookfolderfullheartglobegmailgooglegroupsimageimagesinstagramlinklocation-pinm-swarmSearchmailmessagesminusmoremuplabelShape 3 + Rectangle 1outlookpersonJoin Group on CardStartprice-ribbonShapeShapeShapeImported LayersImported LayersImported Layersshieldstartickettrashtriangle-downtriangle-uptwitteruserwarningyahoo

Kako zajahati valove statističkih paradoksa

Data science i razvoj modela za otkrivanje prijevara ili kako zajahati valove statistickih paradoksa

Što učiniti kada planirate razviti sustav za detekciju prijevara ili prepoznati sumnjivu aktivnost, a jedino što imate je more atributa unutar baze podataka ili nestrukturiranih izvora podataka bez jasne ideje u kom smjeru krenuti? Ima li rješenja? Dođite na naš sljedeći meetup u suradnji s Visokim Učilištem Algebra i saznajte kako!

Očekujemo Vas na Visokom Učilištu Algebra 30. studenog u 18 sati u dvorani Faust Vrančić!


Agenda

18:00 - 19:30 "Kako zajahati valove statističkih paradoksa" 
Dr. sc. Goran Klepac

Datum: [masked] u 18 sati

Lokacija: Visoko Učilište Algebra, Ilica 242,[masked], Zagreb

Dvorana: Dvorana Faust Vrančić

FACEBOOK: facebook.com/datasciencecroatia


Detalji predavanja:

Što učiniti kada planirate razviti sustav za detekciju prijevara ili prepoznati sumnjivu aktivnost, a jedino što imate je more atributa unutar baze podataka ili nestrukturiranih izvora podataka bez jasne ideje u kom smjeru krenuti? Iskustvo na globalnoj i domaćoj poslovnoj sceni  pokazuju kako poduzeća uglavnom  ne bilježe oznaku prijevare u bazama podataka,  zbog toga što ponekad nemaju infrastrukturu za to ili pak ne mogu sa sigurnošću potvrditi radi li se  u nekim slučajevima konkretno o prijevari ili je to tek sumnja na prijevaru. Ako pak kojim slučajem poduzeće bilježi oznaku prijevare u bazama podataka, problemi za razvoj analitičkih modela tu ne prestaju, jer govorimo o malim frekvencijama pojavnosti koje se ponekad mjere u promilima. Dakle, nema govora o primjeni standardne metodologije za razvoj prediktivnih modela. Ako i imate tu „sreću“ da je frekvencija pojavnosti granična za razvoj prediktivnih modela, nemojte se prerano veseliti jer to nisu modeli za predviđanje  prekida ugovornih odnosa ili pak sustavi preporuka. Dakle, analiza relevantnosti atributa neće vam dati željene rezultate, a samim time ništa od razvoja klasičnih prediktivnih modela. Zašto? Zbog kreativnosti počinitelja, inventivnosti, originalnosti, faktora iznenađenja te uglavnom ne postoji jednoobrazan uzorak prijevare. Razvoj analitičkih modela za detekciju prijevara, kao i otkrivanje obrazaca prijevara iz uzoraka podataka, spada u vrlo zahtjevno  područje iz domene data science.  Što kada usprkos takvim okolnostima vi morate kreirati analitički model za detekciju prijevara? Ima li rješenja? Dođite na meetup i doznajte!


Join or login to comment.

  • Josip

    excellent, very interesting and usable

    2 · December 1

  • Tina D.

    Nažalost, nismo u mogućnosti još uvijek snimati predavanja. Međutim, radimo na tome i nadam se kako ćemo uskoro moći uvesti i live stream za sve one koji ne mogu prisustvovati uživo.

    2 · November 22

  • Ines

    Bi li mogle nastati snimke za ovo, i postoje li mozda za ranije odrzana predavanja?

    1 · November 22

Our Sponsors

Sign up

Meetup members, Log in

By clicking "Sign up" or "Sign up using Facebook", you confirm that you accept our Terms of Service & Privacy Policy