Uso de los sistemas inteligentes para la detección de fraudes financieros
En el mundo, los fraudes financieros han presentado un grave problema para las organizaciones, ocasionados en su mayoría por falta de controles y a su vez, los avances tecnológicos han abierto puertas para llevar a cabo fraudes que son difíciles de detectar a tiempo. Es así, que a partir de la creac...
- Autores:
-
Echeverry Cabezas, Brillid Dayhanna
Jaramillo Sánchez, Anderson Estiven
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2019
- Institución:
- Universidad Cooperativa de Colombia
- Repositorio:
- Repositorio UCC
- Idioma:
- OAI Identifier:
- oai:repository.ucc.edu.co:20.500.12494/15879
- Acceso en línea:
- https://hdl.handle.net/20.500.12494/15879
- Palabra clave:
- Sistemas inteligentes
Machine learning
Fraudes financieros
Intelligent systems
Machine learning
Financial fraud
- Rights
- closedAccess
- License
- Atribución – Sin Derivar
| id |
COOPER2_32ec4f3c8c9d26c24c40d07c080adc94 |
|---|---|
| oai_identifier_str |
oai:repository.ucc.edu.co:20.500.12494/15879 |
| network_acronym_str |
COOPER2 |
| network_name_str |
Repositorio UCC |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Uso de los sistemas inteligentes para la detección de fraudes financieros |
| title |
Uso de los sistemas inteligentes para la detección de fraudes financieros |
| spellingShingle |
Uso de los sistemas inteligentes para la detección de fraudes financieros Sistemas inteligentes Machine learning Fraudes financieros Intelligent systems Machine learning Financial fraud |
| title_short |
Uso de los sistemas inteligentes para la detección de fraudes financieros |
| title_full |
Uso de los sistemas inteligentes para la detección de fraudes financieros |
| title_fullStr |
Uso de los sistemas inteligentes para la detección de fraudes financieros |
| title_full_unstemmed |
Uso de los sistemas inteligentes para la detección de fraudes financieros |
| title_sort |
Uso de los sistemas inteligentes para la detección de fraudes financieros |
| dc.creator.fl_str_mv |
Echeverry Cabezas, Brillid Dayhanna Jaramillo Sánchez, Anderson Estiven |
| dc.contributor.advisor.none.fl_str_mv |
Gutiérrez Pórtela, Fernando Hernández Aros, Ludivia |
| dc.contributor.author.none.fl_str_mv |
Echeverry Cabezas, Brillid Dayhanna Jaramillo Sánchez, Anderson Estiven |
| dc.subject.spa.fl_str_mv |
Sistemas inteligentes Machine learning Fraudes financieros |
| topic |
Sistemas inteligentes Machine learning Fraudes financieros Intelligent systems Machine learning Financial fraud |
| dc.subject.other.spa.fl_str_mv |
Intelligent systems Machine learning Financial fraud |
| description |
En el mundo, los fraudes financieros han presentado un grave problema para las organizaciones, ocasionados en su mayoría por falta de controles y a su vez, los avances tecnológicos han abierto puertas para llevar a cabo fraudes que son difíciles de detectar a tiempo. Es así, que a partir de la creación de núcleos de procesamiento tecnológico se ha podido detectar patrones que sugieren fraude o acciones de nivel sospecho. Por lo anterior, el objeto de este artículo es el análisis de estudios de casos de aprendizaje de maquina (machine Learning) usados en fraudes financieros. Metodológicamente se inicia con una revisión en detalle del uso del aprendizaje automático en diferentes áreas, para luego analizar directamente la información en el área financiera. Se concluye que los sistemas inteligentes ayudan a detectar fraudes financieros. |
| publishDate |
2019 |
| dc.date.issued.none.fl_str_mv |
2019-12-03 |
| dc.date.accessioned.none.fl_str_mv |
2020-01-14T15:08:32Z |
| dc.date.available.none.fl_str_mv |
2020-01-14T15:08:32Z 2039-12-03 |
| dc.type.none.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/20.500.12494/15879 |
| dc.identifier.bibliographicCitation.spa.fl_str_mv |
Echeverry Cabezas, B. D. y Jaramillo Sánchez, A. E. (2019). Uso de los sistemas inteligentes para la detección de fraudes financieros (Tesis de pregrado). Universidad Cooperativa de Colombia, Ibagué. Recuperado de |
| url |
https://hdl.handle.net/20.500.12494/15879 |
| identifier_str_mv |
Echeverry Cabezas, B. D. y Jaramillo Sánchez, A. E. (2019). Uso de los sistemas inteligentes para la detección de fraudes financieros (Tesis de pregrado). Universidad Cooperativa de Colombia, Ibagué. Recuperado de |
| dc.relation.references.spa.fl_str_mv |
Angulo, s. (17 de octubre de 2017). Herramienta de mastercad. Obtenido de https://www.enter.co/especiales/empresas/herramienta-mastercard-identifica-fraudes/ Berrendero, j. (13 de Febrero de 2015). hiperplano e de OSVM. Obtenido de Universidad autonoma de madrid: http://verso.mat.uam.es/~joser.berrendero/cursos/Matematicas-IO/io-tema6-svm-16.pdf Caballero, L. (Julio de 2017). Detención de sucesos raros con Machine Leaning. Obtenido de file:///D:/Documents/Nueva%20carpeta/casas%20de%20justicia%20y%20juez%20de%20paz%20en%20equidad/tesis%20TFM_ANDER_CARRENO_LOPEZ.pdf Calvo Valverde, L. A. (mayo de 2016). Estrategia basada en el aprendizaje de máquina para tratar con conjuntos de datos no etiquetados usando conjuntos aproximados y/o ganancia de información. Scielo, 4-15. Obtenido de https://www.scielo.sa.cr/pdf/tem/v29s2/0379-3982-tem-29-s2-4.pdf Cardenas. (s,f). Modelos de Aprendizaje Supervisados: aplicaciones para la predicción de. Sedini, 1-5. Obtenido de http://sedici.unlp.edu.ar/bitstream/handle/10915/45467/Documento_completo.pdf?sequence=1&isAllowed=y Coello, C. C. (2010). Uso de T閏nicas de Inteligencia Artificial Para Aplicaciones Financieras. 1-7. Coltefinanciera. (17 de 12 de 2014). Educación financiera. Obtenido de https://www.coltefinanciera.com.co/educacion-financiera/fraudes-bancarios/398-modalidades-de-fraudes-bancarios-en-internet Fuentes, A. (2 de Mayo de 2018). Tipos de aprendizaje automatico. Obtenido de Aprendizaje supervisado y no supervisado: http://machinelearningparatodos.com/tipos-de-aprendizaje-automatico/ Gonzalez, E., Romero, G., & Ortiz, A. (12 de junio de 2018). Detección de Fraude en Tarjetas de Crédito. Obtenido de Universidad santo tomas: https://repository.usta.edu.co/bitstream/handle/11634/12529/2018edwingonzalez.pdf?sequence=1&isAllowed=y Jeragh, M., & AlSulaimi, M. (2008). Combinación de codificadores automáticos y una máquina devectores de soporte de clase para la detección de transaccionesfraudulentas de tarjetas de crédito. UNAB, 1-14. Kumar, P., & Iqbal, F. (2017). Identificación de fraude con tarjeta de crédito utilizando enfoques de aprendizaje automático. UNAB, 1-9. Montero. (12 de junio de 2016). Detección de fraude bancario en tiempo real utilizando tecnologías de procesamiento distribuido. Obtenido de https://eprints.ucm.es/38647/1/Memoria%20TFM%20Detecci%C3%B3n%20Fraude_FINAL.pdf Morales, C. (2018). Modelo de Detección de Intrusos Usando Técnicas De Aprendizaje. 1-31. Obtenido de http://190.217.58.250/bitstream/tda/442/1/MODELO%20DE%20DETECCION%20DE%20INTRUSOS%20USANDO%20TECNICAS%20DE%20APRENDIZAJE.pdf Murillo, J. V. (2008). Auditando En Las Bases de Datos. Uniciencia 22, 135-140. Obtenido de file:///D:/Downloads/Dialnet-AuditandoEnLasBasesDeDatos-5381374.pdf Navarro, U., & García, C. (2017). Machine Learning Classifiers to Detect Malicious. researchgate, 1-4. doi:https://www.researchgate.net/profile/Christian_Urcuqui_Lopez/publication/320290759_Machine_Learning_Classifiers_to_Detect_Malicious_Websites/links/59e18b01458515393d53562e/Machine-Learning-Classifiers-to-Detect-Malicious-Websites.pdf Nur-E-Arefin. (2010). Aplicacion de Inteligencia Computacional Para Identificar Fraudes con Tarjetas de Credito. Universidad Autonoma de Bucaramanga, 1-10. Obregon, N., & Fragala, F. (2012). Sistemas inteligentes, ingenieria e hidroinformatica. Ciencia e ingenieria Neogranadina, 71-79. Parada, M. A. (2012). Utilización de metodologías de Inteligencia Artificial y sus aplicaciones en El Salvador. ING-NOVACIÓN, 57-68. Obtenido de http://201.131.110.78/jspui/bitstream/10972/1950/1/7.%20Utilizacion%20de%20metodologias%20de%20Inteligencia%20Artificial%20y%20sus%20aplicaciones%20en%20El%20Salvador.pdf Perez, L. (2015). prevencion de fraudes a traves del uso de las tecnologias. http://repositorio.unan.edu.ni/9650/1/17534.pdf. Predisoft. (14 de Octubre de 2018). Deteccion del fraude . Obtenido de Sistema para la prevencion del fraude en multiples canales : http://predisoft.com/psfraud-sistema-deteccion-fraudes-bancarios-y-otros-canales/ Rahul, K., Seth, N., & Kumar, U. D. (2018). Detección de manipulación de ganancias:uso del aprendizaje automático para ladetección de fraudes financieros. Springer Link, 5-29. Sharmila; et al. (2010). Credit Card Fraud Detection Using Anomaly Techniques. UNAB, 1-14. Universidad Central . (24 de Octubre de 2017). Deteccion de fraudes financieros . Obtenido de https://www.ucentral.edu.co/en/noticentral/fernando-bomba-finalista-convocatoria-datos-u Angulo, s. (17 de octubre de 2017). Herramienta de mastercad. Obtenido de https://www.enter.co/especiales/empresas/herramienta-mastercard-identifica-fraudes/ Berrendero, j. (13 de Febrero de 2015). hiperplano e de OSVM. Obtenido de Universidad autonoma de madrid: http://verso.mat.uam.es/~joser.berrendero/cursos/Matematicas-IO/io-tema6-svm-16.pdf Caballero, L. (Julio de 2017). Detención de sucesos raros con Machine Leaning. Obtenido de file:///D:/Documents/Nueva%20carpeta/casas%20de%20justicia%20y%20juez%20de%20paz%20en%20equidad/tesis%20TFM_ANDER_CARRENO_LOPEZ.pdf Calvo Valverde, L. A. (mayo de 2016). Estrategia basada en el aprendizaje de máquina para tratar con conjuntos de datos no etiquetados usando conjuntos aproximados y/o ganancia de información. Scielo, 4-15. Obtenido de https://www.scielo.sa.cr/pdf/tem/v29s2/0379-3982-tem-29-s2-4.pdf Cardenas. (s,f). Modelos de Aprendizaje Supervisados: aplicaciones para la predicción de. Sedini, 1-5. Obtenido de http://sedici.unlp.edu.ar/bitstream/handle/10915/45467/Documento_completo.pdf?sequence=1&isAllowed=y Coello, C. C. (2010). Uso de T閏nicas de Inteligencia Artificial Para Aplicaciones Financieras. 1-7. Coltefinanciera. (17 de 12 de 2014). Educación financiera. Obtenido de https://www.coltefinanciera.com.co/educacion-financiera/fraudes-bancarios/398-modalidades-de-fraudes-bancarios-en-internet Fuentes, A. (2 de Mayo de 2018). Tipos de aprendizaje automatico. Obtenido de Aprendizaje supervisado y no supervisado: http://machinelearningparatodos.com/tipos-de-aprendizaje-automatico/ Gonzalez, E., Romero, G., & Ortiz, A. (12 de junio de 2018). Detección de Fraude en Tarjetas de Crédito. Obtenido de Universidad santo tomas: https://repository.usta.edu.co/bitstream/handle/11634/12529/2018edwingonzalez.pdf?sequence=1&isAllowed=y Jeragh, M., & AlSulaimi, M. (2008). Combinación de codificadores automáticos y una máquina devectores de soporte de clase para la detección de transaccionesfraudulentas de tarjetas de crédito. UNAB, 1-14. Kumar, P., & Iqbal, F. (2017). Identificación de fraude con tarjeta de crédito utilizando enfoques de aprendizaje automático. UNAB, 1-9. Montero. (12 de junio de 2016). Detección de fraude bancario en tiempo real utilizando tecnologías de procesamiento distribuido. Obtenido de https://eprints.ucm.es/38647/1/Memoria%20TFM%20Detecci%C3%B3n%20Fraude_FINAL.pdf Morales, C. (2018). Modelo de Detección de Intrusos Usando Técnicas De Aprendizaje. 1-31. Obtenido de http://190.217.58.250/bitstream/tda/442/1/MODELO%20DE%20DETECCION%20DE%20INTRUSOS%20USANDO%20TECNICAS%20DE%20APRENDIZAJE.pdf Murillo, J. V. (2008). Auditando En Las Bases de Datos. Uniciencia 22, 135-140. Obtenido de file:///D:/Downloads/Dialnet-AuditandoEnLasBasesDeDatos-5381374.pdf Navarro, U., & García, C. (2017). Machine Learning Classifiers to Detect Malicious. researchgate, 1-4. doi:https://www.researchgate.net/profile/Christian_Urcuqui_Lopez/publication/320290759_Machine_Learning_Classifiers_to_Detect_Malicious_Websites/links/59e18b01458515393d53562e/Machine-Learning-Classifiers-to-Detect-Malicious-Websites.pdf Nur-E-Arefin. (2010). Aplicacion de Inteligencia Computacional Para Identificar Fraudes con Tarjetas de Credito. Universidad Autonoma de Bucaramanga, 1-10. Obregon, N., & Fragala, F. (2012). Sistemas inteligentes, ingenieria e hidroinformatica. Ciencia e ingenieria Neogranadina, 71-79. Parada, M. A. (2012). Utilización de metodologías de Inteligencia Artificial y sus aplicaciones en El Salvador. ING-NOVACIÓN, 57-68. Obtenido de http://201.131.110.78/jspui/bitstream/10972/1950/1/7.%20Utilizacion%20de%20metodologias%20de%20Inteligencia%20Artificial%20y%20sus%20aplicaciones%20en%20El%20Salvador.pdf Perez, L. (2015). prevencion de fraudes a traves del uso de las tecnologias. http://repositorio.unan.edu.ni/9650/1/17534.pdf. Predisoft. (14 de Octubre de 2018). Deteccion del fraude . Obtenido de Sistema para la prevencion del fraude en multiples canales : http://predisoft.com/psfraud-sistema-deteccion-fraudes-bancarios-y-otros-canales/ Rahul, K., Seth, N., & Kumar, U. D. (2018). Detección de manipulación de ganancias:uso del aprendizaje automático para ladetección de fraudes financieros. Springer Link, 5-29. Sharmila; et al. (2010). Credit Card Fraud Detection Using Anomaly Techniques. UNAB, 1-14. Universidad Central . (24 de Octubre de 2017). Deteccion de fraudes financieros . Obtenido de https://www.ucentral.edu.co/en/noticentral/fernando-bomba-finalista-convocatoria-datos-u Weber, R. (2000). Data Mining en la Empresa y en las Finanzas Utilizando Tecnologías Inteligentes. Ingenieria de Sistemas, 61-78. Obtenido de https://s3.amazonaws.com/academia.edu.documents/30817710/Vol14.pdf?response-content-disposition=inline%3B%20filename%3DData_Mining_en_la_empresa_y_en_las_finan.pdf&X-Amz-Algorithm=AWS4-HMAC-SHA256&X-Amz-Credential=AKIAIWOWYYGZ2Y53UL3A%2F20190724%2Fus-east |
| dc.rights.license.none.fl_str_mv |
Atribución – Sin Derivar |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/closedAccess |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_14cb |
| rights_invalid_str_mv |
Atribución – Sin Derivar http://purl.org/coar/access_right/c_14cb |
| eu_rights_str_mv |
closedAccess |
| dc.format.extent.spa.fl_str_mv |
26 p. |
| dc.publisher.spa.fl_str_mv |
Universidad Cooperativa de Colombia, Facultad de Ciencias Económicas, Administrativas y Contables, Contaduría Pública, Ibagué |
| dc.publisher.program.spa.fl_str_mv |
Contaduría Pública |
| dc.publisher.place.spa.fl_str_mv |
Ibagué |
| institution |
Universidad Cooperativa de Colombia |
| bitstream.url.fl_str_mv |
https://repository.ucc.edu.co/bitstreams/f7711205-213b-4167-807c-297b74a8085a/download https://repository.ucc.edu.co/bitstreams/17a6d018-3084-4224-9760-618b0a871ede/download https://repository.ucc.edu.co/bitstreams/c0219697-6147-459d-8917-854179a97266/download https://repository.ucc.edu.co/bitstreams/cbe31d12-abb1-4eac-9aa7-672ec6c8edd6/download https://repository.ucc.edu.co/bitstreams/ea45efe1-255e-4c92-baf9-1e65074454c0/download https://repository.ucc.edu.co/bitstreams/65f0f3d1-f7fa-43aa-a2dd-9b19d1fc0b06/download https://repository.ucc.edu.co/bitstreams/b7d7c858-0310-4f83-b61f-bebf24d2d377/download |
| bitstream.checksum.fl_str_mv |
7fc366dbc8d2b7000d0cbc62f26d5f9f efa8f09a248a1d78ec1e5e12baf1fec3 3bce4f7ab09dfc588f126e1e36e98a45 195ff374b2cea005a760db64829e55f6 9587944c4208788e0e0a545b5e8908db bc37f715166ca7c78fc1780cca5a5ea9 0147b262c64ef2baf201f8a12e8a136c |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Cooperativa de Colombia |
| repository.mail.fl_str_mv |
bdigital@metabiblioteca.com |
| _version_ |
1814247252132102144 |
| spelling |
Gutiérrez Pórtela, FernandoHernández Aros, LudiviaEcheverry Cabezas, Brillid DayhannaJaramillo Sánchez, Anderson Estiven2020-01-14T15:08:32Z2020-01-14T15:08:32Z2039-12-032019-12-03https://hdl.handle.net/20.500.12494/15879Echeverry Cabezas, B. D. y Jaramillo Sánchez, A. E. (2019). Uso de los sistemas inteligentes para la detección de fraudes financieros (Tesis de pregrado). Universidad Cooperativa de Colombia, Ibagué. Recuperado deEn el mundo, los fraudes financieros han presentado un grave problema para las organizaciones, ocasionados en su mayoría por falta de controles y a su vez, los avances tecnológicos han abierto puertas para llevar a cabo fraudes que son difíciles de detectar a tiempo. Es así, que a partir de la creación de núcleos de procesamiento tecnológico se ha podido detectar patrones que sugieren fraude o acciones de nivel sospecho. Por lo anterior, el objeto de este artículo es el análisis de estudios de casos de aprendizaje de maquina (machine Learning) usados en fraudes financieros. Metodológicamente se inicia con una revisión en detalle del uso del aprendizaje automático en diferentes áreas, para luego analizar directamente la información en el área financiera. Se concluye que los sistemas inteligentes ayudan a detectar fraudes financieros.In the world, financial frauds have presented a serious problem for organizations, mostly caused by lack of controls and, in turn, technological advances have opened doors to carry out frauds that are difficult to detect in time. Thus, since the creation of technology processing cores, patterns that suggest fraud or suspicious actions have been detected. Therefore, the purpose of this article is the analysis of case studies of machine learning used in financial fraud. Methodologically it begins with a detailed review of the use of machine learning in different areas, and then directly analyzes the information in the financial area. It is concluded that intelligent systems help detect financial fraud.Resumen. -- Summary. -- Introducción. -- Objetivos. -- 1. Marco teórico. -- 1.1 Machine Learning. -- 1.2 Machine learning para fraudes financieros. -- 1.3 Sistemas de detención supervisado y no supervisado. -- 2. Materiales y métodos. -- 3. Sistemas inteligentes para fraudes financieros no supervisados. -- 4. Variables de Construcción. -- 5. Relación de auditorías que se pueden tener con estos sistemas inteligentes. -- 6. Conclusiones.brillid.echeverryc@campusucc.edu.coanderson.jaramillos@campusucc.edu.co26 p.Universidad Cooperativa de Colombia, Facultad de Ciencias Económicas, Administrativas y Contables, Contaduría Pública, IbaguéContaduría PúblicaIbaguéSistemas inteligentesMachine learningFraudes financierosIntelligent systemsMachine learningFinancial fraudUso de los sistemas inteligentes para la detección de fraudes financierosTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionAtribución – Sin Derivarinfo:eu-repo/semantics/closedAccesshttp://purl.org/coar/access_right/c_14cbAngulo, s. (17 de octubre de 2017). Herramienta de mastercad. Obtenido de https://www.enter.co/especiales/empresas/herramienta-mastercard-identifica-fraudes/Berrendero, j. (13 de Febrero de 2015). hiperplano e de OSVM. Obtenido de Universidad autonoma de madrid: http://verso.mat.uam.es/~joser.berrendero/cursos/Matematicas-IO/io-tema6-svm-16.pdfCaballero, L. (Julio de 2017). Detención de sucesos raros con Machine Leaning. Obtenido de file:///D:/Documents/Nueva%20carpeta/casas%20de%20justicia%20y%20juez%20de%20paz%20en%20equidad/tesis%20TFM_ANDER_CARRENO_LOPEZ.pdfCalvo Valverde, L. A. (mayo de 2016). Estrategia basada en el aprendizaje de máquina para tratar con conjuntos de datos no etiquetados usando conjuntos aproximados y/o ganancia de información. Scielo, 4-15. Obtenido de https://www.scielo.sa.cr/pdf/tem/v29s2/0379-3982-tem-29-s2-4.pdfCardenas. (s,f). Modelos de Aprendizaje Supervisados: aplicaciones para la predicción de. Sedini, 1-5. Obtenido de http://sedici.unlp.edu.ar/bitstream/handle/10915/45467/Documento_completo.pdf?sequence=1&isAllowed=yCoello, C. C. (2010). Uso de T閏nicas de Inteligencia Artificial Para Aplicaciones Financieras. 1-7.Coltefinanciera. (17 de 12 de 2014). Educación financiera. Obtenido de https://www.coltefinanciera.com.co/educacion-financiera/fraudes-bancarios/398-modalidades-de-fraudes-bancarios-en-internetFuentes, A. (2 de Mayo de 2018). Tipos de aprendizaje automatico. Obtenido de Aprendizaje supervisado y no supervisado: http://machinelearningparatodos.com/tipos-de-aprendizaje-automatico/Gonzalez, E., Romero, G., & Ortiz, A. (12 de junio de 2018). Detección de Fraude en Tarjetas de Crédito. Obtenido de Universidad santo tomas: https://repository.usta.edu.co/bitstream/handle/11634/12529/2018edwingonzalez.pdf?sequence=1&isAllowed=yJeragh, M., & AlSulaimi, M. (2008). Combinación de codificadores automáticos y una máquina devectores de soporte de clase para la detección de transaccionesfraudulentas de tarjetas de crédito. UNAB, 1-14.Kumar, P., & Iqbal, F. (2017). Identificación de fraude con tarjeta de crédito utilizando enfoques de aprendizaje automático. UNAB, 1-9.Montero. (12 de junio de 2016). Detección de fraude bancario en tiempo real utilizando tecnologías de procesamiento distribuido. Obtenido de https://eprints.ucm.es/38647/1/Memoria%20TFM%20Detecci%C3%B3n%20Fraude_FINAL.pdfMorales, C. (2018). Modelo de Detección de Intrusos Usando Técnicas De Aprendizaje. 1-31. Obtenido de http://190.217.58.250/bitstream/tda/442/1/MODELO%20DE%20DETECCION%20DE%20INTRUSOS%20USANDO%20TECNICAS%20DE%20APRENDIZAJE.pdfMurillo, J. V. (2008). Auditando En Las Bases de Datos. Uniciencia 22, 135-140. Obtenido de file:///D:/Downloads/Dialnet-AuditandoEnLasBasesDeDatos-5381374.pdfNavarro, U., & García, C. (2017). Machine Learning Classifiers to Detect Malicious. researchgate, 1-4. doi:https://www.researchgate.net/profile/Christian_Urcuqui_Lopez/publication/320290759_Machine_Learning_Classifiers_to_Detect_Malicious_Websites/links/59e18b01458515393d53562e/Machine-Learning-Classifiers-to-Detect-Malicious-Websites.pdfNur-E-Arefin. (2010). Aplicacion de Inteligencia Computacional Para Identificar Fraudes con Tarjetas de Credito. Universidad Autonoma de Bucaramanga, 1-10.Obregon, N., & Fragala, F. (2012). Sistemas inteligentes, ingenieria e hidroinformatica. Ciencia e ingenieria Neogranadina, 71-79.Parada, M. A. (2012). Utilización de metodologías de Inteligencia Artificial y sus aplicaciones en El Salvador. ING-NOVACIÓN, 57-68. Obtenido de http://201.131.110.78/jspui/bitstream/10972/1950/1/7.%20Utilizacion%20de%20metodologias%20de%20Inteligencia%20Artificial%20y%20sus%20aplicaciones%20en%20El%20Salvador.pdfPerez, L. (2015). prevencion de fraudes a traves del uso de las tecnologias. http://repositorio.unan.edu.ni/9650/1/17534.pdf.Predisoft. (14 de Octubre de 2018). Deteccion del fraude . Obtenido de Sistema para la prevencion del fraude en multiples canales : http://predisoft.com/psfraud-sistema-deteccion-fraudes-bancarios-y-otros-canales/Rahul, K., Seth, N., & Kumar, U. D. (2018). Detección de manipulación de ganancias:uso del aprendizaje automático para ladetección de fraudes financieros. Springer Link, 5-29.Sharmila; et al. (2010). Credit Card Fraud Detection Using Anomaly Techniques. UNAB, 1-14.Universidad Central . (24 de Octubre de 2017). Deteccion de fraudes financieros . Obtenido de https://www.ucentral.edu.co/en/noticentral/fernando-bomba-finalista-convocatoria-datos-uAngulo, s. (17 de octubre de 2017). Herramienta de mastercad. Obtenido de https://www.enter.co/especiales/empresas/herramienta-mastercard-identifica-fraudes/ Berrendero, j. (13 de Febrero de 2015). hiperplano e de OSVM. Obtenido de Universidad autonoma de madrid: http://verso.mat.uam.es/~joser.berrendero/cursos/Matematicas-IO/io-tema6-svm-16.pdf Caballero, L. (Julio de 2017). Detención de sucesos raros con Machine Leaning. Obtenido de file:///D:/Documents/Nueva%20carpeta/casas%20de%20justicia%20y%20juez%20de%20paz%20en%20equidad/tesis%20TFM_ANDER_CARRENO_LOPEZ.pdf Calvo Valverde, L. A. (mayo de 2016). Estrategia basada en el aprendizaje de máquina para tratar con conjuntos de datos no etiquetados usando conjuntos aproximados y/o ganancia de información. Scielo, 4-15. Obtenido de https://www.scielo.sa.cr/pdf/tem/v29s2/0379-3982-tem-29-s2-4.pdf Cardenas. (s,f). Modelos de Aprendizaje Supervisados: aplicaciones para la predicción de. Sedini, 1-5. Obtenido de http://sedici.unlp.edu.ar/bitstream/handle/10915/45467/Documento_completo.pdf?sequence=1&isAllowed=y Coello, C. C. (2010). Uso de T閏nicas de Inteligencia Artificial Para Aplicaciones Financieras. 1-7. Coltefinanciera. (17 de 12 de 2014). Educación financiera. Obtenido de https://www.coltefinanciera.com.co/educacion-financiera/fraudes-bancarios/398-modalidades-de-fraudes-bancarios-en-internet Fuentes, A. (2 de Mayo de 2018). Tipos de aprendizaje automatico. Obtenido de Aprendizaje supervisado y no supervisado: http://machinelearningparatodos.com/tipos-de-aprendizaje-automatico/ Gonzalez, E., Romero, G., & Ortiz, A. (12 de junio de 2018). Detección de Fraude en Tarjetas de Crédito. Obtenido de Universidad santo tomas: https://repository.usta.edu.co/bitstream/handle/11634/12529/2018edwingonzalez.pdf?sequence=1&isAllowed=y Jeragh, M., & AlSulaimi, M. (2008). Combinación de codificadores automáticos y una máquina devectores de soporte de clase para la detección de transaccionesfraudulentas de tarjetas de crédito. UNAB, 1-14. Kumar, P., & Iqbal, F. (2017). Identificación de fraude con tarjeta de crédito utilizando enfoques de aprendizaje automático. UNAB, 1-9. Montero. (12 de junio de 2016). Detección de fraude bancario en tiempo real utilizando tecnologías de procesamiento distribuido. Obtenido de https://eprints.ucm.es/38647/1/Memoria%20TFM%20Detecci%C3%B3n%20Fraude_FINAL.pdf Morales, C. (2018). Modelo de Detección de Intrusos Usando Técnicas De Aprendizaje. 1-31. Obtenido de http://190.217.58.250/bitstream/tda/442/1/MODELO%20DE%20DETECCION%20DE%20INTRUSOS%20USANDO%20TECNICAS%20DE%20APRENDIZAJE.pdf Murillo, J. V. (2008). Auditando En Las Bases de Datos. Uniciencia 22, 135-140. Obtenido de file:///D:/Downloads/Dialnet-AuditandoEnLasBasesDeDatos-5381374.pdf Navarro, U., & García, C. (2017). Machine Learning Classifiers to Detect Malicious. researchgate, 1-4. doi:https://www.researchgate.net/profile/Christian_Urcuqui_Lopez/publication/320290759_Machine_Learning_Classifiers_to_Detect_Malicious_Websites/links/59e18b01458515393d53562e/Machine-Learning-Classifiers-to-Detect-Malicious-Websites.pdf Nur-E-Arefin. (2010). Aplicacion de Inteligencia Computacional Para Identificar Fraudes con Tarjetas de Credito. Universidad Autonoma de Bucaramanga, 1-10. Obregon, N., & Fragala, F. (2012). Sistemas inteligentes, ingenieria e hidroinformatica. Ciencia e ingenieria Neogranadina, 71-79. Parada, M. A. (2012). Utilización de metodologías de Inteligencia Artificial y sus aplicaciones en El Salvador. ING-NOVACIÓN, 57-68. Obtenido de http://201.131.110.78/jspui/bitstream/10972/1950/1/7.%20Utilizacion%20de%20metodologias%20de%20Inteligencia%20Artificial%20y%20sus%20aplicaciones%20en%20El%20Salvador.pdf Perez, L. (2015). prevencion de fraudes a traves del uso de las tecnologias. http://repositorio.unan.edu.ni/9650/1/17534.pdf. Predisoft. (14 de Octubre de 2018). Deteccion del fraude . Obtenido de Sistema para la prevencion del fraude en multiples canales : http://predisoft.com/psfraud-sistema-deteccion-fraudes-bancarios-y-otros-canales/ Rahul, K., Seth, N., & Kumar, U. D. (2018). Detección de manipulación de ganancias:uso del aprendizaje automático para ladetección de fraudes financieros. Springer Link, 5-29. Sharmila; et al. (2010). Credit Card Fraud Detection Using Anomaly Techniques. UNAB, 1-14. Universidad Central . (24 de Octubre de 2017). Deteccion de fraudes financieros . Obtenido de https://www.ucentral.edu.co/en/noticentral/fernando-bomba-finalista-convocatoria-datos-u Weber, R. (2000). Data Mining en la Empresa y en las Finanzas Utilizando Tecnologías Inteligentes. Ingenieria de Sistemas, 61-78. Obtenido de https://s3.amazonaws.com/academia.edu.documents/30817710/Vol14.pdf?response-content-disposition=inline%3B%20filename%3DData_Mining_en_la_empresa_y_en_las_finan.pdf&X-Amz-Algorithm=AWS4-HMAC-SHA256&X-Amz-Credential=AKIAIWOWYYGZ2Y53UL3A%2F20190724%2Fus-eastPublicationORIGINAL2019_uso_sistemas_inteligentes_deteccion_fraudes_financieros.pdf2019_uso_sistemas_inteligentes_deteccion_fraudes_financieros.pdfTrabajo de gradoapplication/pdf901764https://repository.ucc.edu.co/bitstreams/f7711205-213b-4167-807c-297b74a8085a/download7fc366dbc8d2b7000d0cbc62f26d5f9fMD512019_uso_sistemas_inteligentes_deteccion_fraudes_financieros-FormatoLicenciaUso.pdf2019_uso_sistemas_inteligentes_deteccion_fraudes_financieros-FormatoLicenciaUso.pdfLicencia de usoapplication/pdf1051966https://repository.ucc.edu.co/bitstreams/17a6d018-3084-4224-9760-618b0a871ede/downloadefa8f09a248a1d78ec1e5e12baf1fec3MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-84334https://repository.ucc.edu.co/bitstreams/c0219697-6147-459d-8917-854179a97266/download3bce4f7ab09dfc588f126e1e36e98a45MD53THUMBNAIL2019_uso_sistemas_inteligentes_deteccion_fraudes_financieros.pdf.jpg2019_uso_sistemas_inteligentes_deteccion_fraudes_financieros.pdf.jpgGenerated Thumbnailimage/jpeg3601https://repository.ucc.edu.co/bitstreams/cbe31d12-abb1-4eac-9aa7-672ec6c8edd6/download195ff374b2cea005a760db64829e55f6MD542019_uso_sistemas_inteligentes_deteccion_fraudes_financieros-FormatoLicenciaUso.pdf.jpg2019_uso_sistemas_inteligentes_deteccion_fraudes_financieros-FormatoLicenciaUso.pdf.jpgGenerated Thumbnailimage/jpeg5007https://repository.ucc.edu.co/bitstreams/ea45efe1-255e-4c92-baf9-1e65074454c0/download9587944c4208788e0e0a545b5e8908dbMD55TEXT2019_uso_sistemas_inteligentes_deteccion_fraudes_financieros.pdf.txt2019_uso_sistemas_inteligentes_deteccion_fraudes_financieros.pdf.txtExtracted texttext/plain45814https://repository.ucc.edu.co/bitstreams/65f0f3d1-f7fa-43aa-a2dd-9b19d1fc0b06/downloadbc37f715166ca7c78fc1780cca5a5ea9MD562019_uso_sistemas_inteligentes_deteccion_fraudes_financieros-FormatoLicenciaUso.pdf.txt2019_uso_sistemas_inteligentes_deteccion_fraudes_financieros-FormatoLicenciaUso.pdf.txtExtracted texttext/plain81https://repository.ucc.edu.co/bitstreams/b7d7c858-0310-4f83-b61f-bebf24d2d377/download0147b262c64ef2baf201f8a12e8a136cMD5720.500.12494/15879oai:repository.ucc.edu.co:20.500.12494/158792024-08-10 18:24:27.443restrictedhttps://repository.ucc.edu.coRepositorio Institucional Universidad Cooperativa de Colombiabdigital@metabiblioteca.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 |