ریسک پرداخت و کلاهبرداری پرداخت - علم و تحلیل داده
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- درک کنید پرداخت به طور کلی چگونه کار میکند.
- درک کنید کلاهبرداران چگونه کار میکنند و با انواع کلاهبرداری پرداخت و سیگنالهای ریسک مربوطه آشنا شوید.
- درک مبانی آماری و یادگیری ماشین
- درک مبانی اس کیوال
- درک مبانی پایتون
- تکمیل یک مطالعه موردی برای ساخت مدل درخت تصمیمگیری با پایتون به منظور حل مشکل کلاهبرداری
- تکمیل یک مطالعه موردی
پیشنیازهای دوره
هیچ تجربهای لازم نیست، همه چیز را از این دوره یاد خواهید گرفت.
توضیحات دوره
در صنعت پرداخت و ریسک پرداخت، مردم به این نتیجه رسیدهاند که باید به راهحلهای مبتنی بر داده تکیه کنیم تا با عوامل بدکار مقابله کنیم. این باعث میشود علم داده و تحلیل داده به شدت برای ریسک پرداخت و کلاهبرداری پرداخت مهم باشد.
بنابراین، در این دوره، میخواهیم دانش خود را در زمینه علم داده و تحلیل در ریسک پرداخت با ارائه پوشش بسیار گستردهای از مبانی پرداخت و ریسک پرداخت، علم داده، آمار، مدلسازی و کدنویسی به اشتراک بگذاریم و از مطالعات موردی استفاده کنیم تا داده، کدنویسی و آمار را به هم متصل کنیم. این دقیقاً همان چیزی است که ما در واقعیت، در کارهای روزمرهمان انجام میدهیم. بهترین استعدادهایی که ما در Paypal، گوگل و Chime مشاهده کردهایم، کسانی هستند که واقعاً در ارتباط دادن این نقاط به هم برای حل مشکلات پیچیده خوب هستند.
امیدواریم این دوره بتواند شما را برای موفقیت آیندهتان در زمینه پرداخت و ریسک پرداخت آماده کند. اگر هر یک از این موارد برای شما جالب است، لطفاً به ما بپیوندید. بیایید از این سفر با هم لذت ببریم!
این دوره برای چه کسانی مناسب است؟
- مبتدیانی که میخواهند کار خود را در زمینه پرداخت و ریسک پرداخت شروع کنند.
- مبتدیانی که میخواهند به تحلیل ریسک و کلاهبرداری پرداخت بپردازند.
- مبتدیانی که میخواهند به علم داده در ریسک و کلاهبرداری پرداخت بپردازند.
- هر کسی که به کاهش ریسک و شناسایی کلاهبرداری با داده علاقمند است.
ریسک پرداخت و کلاهبرداری پرداخت - علم و تحلیل داده
-
مقدمه 04:00
-
مباحث دوره 02:39
-
بررسی پرداخت 05:24
-
تراکنشهای کارت 09:55
-
تراکنشهای ACH 06:04
-
برگشت وجه و استرداد 08:34
-
بررسی ریسک پرداخت 04:59
-
آشنایی با ATO 08:28
-
چگونه ATO را شناسایی کنیم؟ 11:27
-
بررسی امور مالی سرقت شده و NSF 07:51
-
چگونه SF و NSF را شناسایی کنیم؟ 10:57
-
بررسی کلاهبرداری خانوادگی 02:51
-
چگونه کلاهبرداری خانوادگی را شناسایی کنیم؟ 03:19
-
آشنایی با ریسک تجاری 04:26
-
چگونه ریسک تجاری را شناسایی کنیم؟ 10:07
-
طرح کلی آمار 00:49
-
فرضیه 01:21
-
نمونهگیری 06:56
-
محاسبه اندازه نمونه 02:00
-
ماتریس درهمریختگی 09:56
-
مبانی یادگیری ماشین 04:10
-
رگرسیون خطی - قسمت 1 03:51
-
رگرسیون خطی - قسمت 2 04:33
-
رگرسیون خطی - قسمت 3 01:29
-
رگرسیون خطی - قسمت 4 04:34
-
رگرسیون لجستیک - قسمت 1 06:12
-
رگرسیون لجستیک - قسمت 2 06:50
-
درخت تصمیم - قسمت 1 01:41
-
درخت تصمیم - قسمت 2 10:11
-
جنگل تصادفی - قسمت 1 01:59
-
جنگل تصادفی - قسمت 2 05:34
-
GBDT - قسمت 1 01:19
-
GBDT - قسمت 2 06:43
-
Xgboost - قسمت 1 01:46
-
Xgboost - قسمت 2 08:14
-
تست و ارزیابی مدل 03:05
-
چگونه اس کیوال را در این کلاس اجرا کنیم؟ 01:22
-
مثالهای اس کیوال کجا هستند و چگونه با آنها کار کنیم؟ 03:20
-
Select 01:52
-
Select Distinct 02:22
-
عبارت where 01:49
-
group by 02:32
-
تابع تجمیع 02:21
-
تابع ماکزیمم و مینیمم 02:00
-
عبارت Having 02:46
-
جوین 09:56
-
عملگر In 02:23
-
عملگر نابرابر 02:42
-
تابع تاریخ 02:55
-
دستور case when 02:52
-
تابع cast 02:03
-
تابع محدودیت و آفست 03:37
-
تابع پنجره 08:31
-
کوئری فرعی 07:38
-
جوین پیچیده 05:00
-
جوین و توابع تجمیع 04:01
-
ترکیب having و where 05:54
-
داپلیکیتها 05:56
-
عدد Nام 07:46
-
تاریخ و رکورد قبلی 07:25
-
کارایی کوئری 02:37
-
ورودی و خروجی پایتون 01:32
-
پایتون: دستور، تورفتگی و کامنتها 04:30
-
پایتون: نوع داده 05:21
-
پایتون: توابع 01:58
-
پایتون: عملگر 02:50
-
پایتون: if else 03:03
-
پایتون: حلقه for 05:57
-
پایتون: حلقه while 03:35
-
پایتون: لیست - قسمت 1 07:39
-
پایتون: لیست - قسمت 2 10:02
-
پایتون: تاپل - قسمت 1 06:06
-
پایتون: تاپل - قسمت 2 05:38
-
پایتون: مجموعه - قسمت 1 05:41
-
پایتون: مجموعه - قسمت 2 08:16
-
پایتون: دیکشنری - قسمت 1 03:39
-
پایتون: دیکشنری - قسمت 2 05:02
-
پایتون: numpy - قسمت 1 06:42
-
پایتون: numpy - قسمت 2 07:16
-
پایتون: numpy - قسمت 3 08:46
-
پایتون: numpy - قسمت 4 05:42
-
پایتون: پانداس - قسمت 1 03:12
-
پایتون: پانداس - قسمت 2 10:23
-
پایتون: پانداس - قسمت 3 10:16
-
پایتون: پانداس - قسمت 4 12:17
-
پایتون: پانداس - قسمت 5 10:41
-
پایتون: matplotlib - قسمت 1 01:13
-
پایتون: matplotlib - قسمت 2 04:11
-
پایتون: scikit-learn - قسمت 1 01:25
-
اولین مطالعه موردی: بررسی مسکن نشویل 01:51
-
فرایند تفکر 01:31
-
روند کلی مسکن نشویل 07:05
-
تحلیل مسکن نشویل 17:22
-
خلاصه مسکن نشویل 01:56
-
دومین مطالعه موردی: تحلیل مدل کسبوکار اشتراکی 01:51
-
عملکرد کلی کسبوکار 09:28
-
بارگذاری داده کسبوکار اشتراکی در دیتافریم 06:54
-
ساخت یک مدل درخت تصمیمگیری در پایتون برای بهبود عملکرد کسبوکار 15:04
-
تبریک! 01:49
مشخصات آموزش
ریسک پرداخت و کلاهبرداری پرداخت - علم و تحلیل داده
- تاریخ به روز رسانی: 1404/09/07
- سطح دوره:مقدماتی
- تعداد درس:99
- مدت زمان :08:43:38
- حجم :5.94GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy