Mapeo de las técnicas de aprendizaje automático usados en fraudes con tarjeta de crédito
El fraude es un acto delictivo que es aprovechado por personas que ven la oportunidad de realizarlo y lo ejecutan, especialmente, en contra de las finanzas de personas naturales o jurídicas. En el caso de las tarjetas de crédito, el fraude está presente en un alto porcentaje de organizaciones financ...
- Autores:
-
Gutiérrez-Pórtela, Fernando
Hernández Aros, Ludivia
Flórez-Guzmán, Mario Heimer
Perdomo-Guerrero, César Augusto
Quiceno-Castañeda, Diana Brigitte
- Tipo de recurso:
- Part of book
- Fecha de publicación:
- 2020
- Institución:
- Universidad Cooperativa de Colombia
- Repositorio:
- Repositorio UCC
- Idioma:
- OAI Identifier:
- oai:repository.ucc.edu.co:20.500.12494/28618
- Acceso en línea:
- https://hdl.handle.net/20.500.12494/28618
- Palabra clave:
- Aprendizaje Automático
Fraude con tarjeta de crédito
Técnicas no supervisadas
Credit card fraud
Machine learning
Unsupervised technique
Supervised techniques
- Rights
- openAccess
- License
- Atribución – No comercial – Compartir igual
| id |
COOPER2_e035cd2a1510f69c8f7eb9aae3ae7d06 |
|---|---|
| oai_identifier_str |
oai:repository.ucc.edu.co:20.500.12494/28618 |
| network_acronym_str |
COOPER2 |
| network_name_str |
Repositorio UCC |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Mapeo de las técnicas de aprendizaje automático usados en fraudes con tarjeta de crédito |
| title |
Mapeo de las técnicas de aprendizaje automático usados en fraudes con tarjeta de crédito |
| spellingShingle |
Mapeo de las técnicas de aprendizaje automático usados en fraudes con tarjeta de crédito Aprendizaje Automático Fraude con tarjeta de crédito Técnicas no supervisadas Credit card fraud Machine learning Unsupervised technique Supervised techniques |
| title_short |
Mapeo de las técnicas de aprendizaje automático usados en fraudes con tarjeta de crédito |
| title_full |
Mapeo de las técnicas de aprendizaje automático usados en fraudes con tarjeta de crédito |
| title_fullStr |
Mapeo de las técnicas de aprendizaje automático usados en fraudes con tarjeta de crédito |
| title_full_unstemmed |
Mapeo de las técnicas de aprendizaje automático usados en fraudes con tarjeta de crédito |
| title_sort |
Mapeo de las técnicas de aprendizaje automático usados en fraudes con tarjeta de crédito |
| dc.creator.fl_str_mv |
Gutiérrez-Pórtela, Fernando Hernández Aros, Ludivia Flórez-Guzmán, Mario Heimer Perdomo-Guerrero, César Augusto Quiceno-Castañeda, Diana Brigitte |
| dc.contributor.author.none.fl_str_mv |
Gutiérrez-Pórtela, Fernando Hernández Aros, Ludivia Flórez-Guzmán, Mario Heimer Perdomo-Guerrero, César Augusto Quiceno-Castañeda, Diana Brigitte |
| dc.subject.spa.fl_str_mv |
Aprendizaje Automático Fraude con tarjeta de crédito Técnicas no supervisadas |
| topic |
Aprendizaje Automático Fraude con tarjeta de crédito Técnicas no supervisadas Credit card fraud Machine learning Unsupervised technique Supervised techniques |
| dc.subject.other.spa.fl_str_mv |
Credit card fraud Machine learning Unsupervised technique Supervised techniques |
| description |
El fraude es un acto delictivo que es aprovechado por personas que ven la oportunidad de realizarlo y lo ejecutan, especialmente, en contra de las finanzas de personas naturales o jurídicas. En el caso de las tarjetas de crédito, el fraude está presente en un alto porcentaje de organizaciones financieras y las pérdidas representan alrededor del 5% de los ingresos por año. Su temprana detección o, en su defecto, identificación en tiempo real, es una necesidad apremiante y exige soluciones eficaces que conserven el prestigio y confiabilidad esperadas por los clientes. Con base en lo expuesto, el presente capítulo de investigación analiza las técnicas de aprendizaje automático usados en fraudes con tarjeta de crédito. Metodológicamente, es un estudio descriptivo-explicativo de carácter cualitativo, abordando las técnicas que comúnmente se utilizan en los procesos de Aprendizaje Automático en la tipología de fraude en tarjetas de crédito. El resultado del estudio, reflejó el sinnúmero de investigaciones que se han realizado sobre el tema, abarcando grandes avances desde el 2002; así mismo, se observó que algoritmos de aprendizaje como redes neuronales, regresión logística y árboles de decisión, han contribuido a dar solución efectiva frente a la detección oportuna a un fraude con tarjeta de crédito. |
| publishDate |
2020 |
| dc.date.available.none.fl_str_mv |
2020-01-07 2021-01-13T18:50:14Z |
| dc.date.issued.none.fl_str_mv |
2020-07 |
| dc.date.accessioned.none.fl_str_mv |
2021-01-13T18:50:14Z |
| dc.type.none.fl_str_mv |
Capítulo - Parte de Libro |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_3248 |
| dc.type.coarversion.none.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bookPart |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| format |
http://purl.org/coar/resource_type/c_3248 |
| status_str |
publishedVersion |
| dc.identifier.isbn.spa.fl_str_mv |
9789807857277 |
| dc.identifier.uri.spa.fl_str_mv |
www.doi.org/10.47212/tendencias2020vol.ix.5 |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/20.500.12494/28618 |
| dc.identifier.bibliographicCitation.spa.fl_str_mv |
Gutiérrez-Pórtela, F., Hernández-Aros, L., Flórez-Guzmán, M. H., Perdomo-Guerrero, C. A. y Quiceno Castañeda, D. B. (2020). Mapeo de las técnicas de aprendizaje automático usados en fraudes con tarjeta de crédito. Chirinos Araque, Y. En Tendencias en la investigación universitaria “una visión desde Latinoamérica. (59-71). Universidad Politécnica Territorial de Falcón Alonso Gamero. https://alinin.org/wp-content/uploads/2020/10/Tendencias-Investigacion-Universitaria-Vol.-IX.pdf |
| identifier_str_mv |
9789807857277 www.doi.org/10.47212/tendencias2020vol.ix.5 Gutiérrez-Pórtela, F., Hernández-Aros, L., Flórez-Guzmán, M. H., Perdomo-Guerrero, C. A. y Quiceno Castañeda, D. B. (2020). Mapeo de las técnicas de aprendizaje automático usados en fraudes con tarjeta de crédito. Chirinos Araque, Y. En Tendencias en la investigación universitaria “una visión desde Latinoamérica. (59-71). Universidad Politécnica Territorial de Falcón Alonso Gamero. https://alinin.org/wp-content/uploads/2020/10/Tendencias-Investigacion-Universitaria-Vol.-IX.pdf |
| url |
https://hdl.handle.net/20.500.12494/28618 |
| dc.relation.isversionof.spa.fl_str_mv |
https://alinin.org/wp-content/uploads/2020/10/Tendencias-Investigacion-Universitaria-Vol.-IX.pdf |
| dc.relation.references.spa.fl_str_mv |
Apapan Pumsirirat, L. Y. (2018). Detección de fraude de tarjetas de crédito mediante aprendizaje profundo basado en codificador automático y máquina Boltzmann restringida. (IJACSA) Revista Internacional de Informática Avanzada y Aplicaciones, 9, 1, 18-. doi:10.14569 / IJACSA.2018.090103 Auditol. (10 de 05 de 2019). Inteligencia artificial, un gran aliado para el trabajo del auditor. Obtenido de https://www.incp.org.co/inteligencia-artificial-granaliado-trabajo-del-auditor/ Awoyemi, J. O., Adetunmbi , A. O., & Oluwadare, S. A. (2017). Credit card fraud detection using machine learning techniques: A comparative analysis,. International Conference on Computing Networking and Informatics (ICCNI), 1-9. Bangotra, D., Singh, Y., & Selwal, A. (2018). Machine Learning in Wireless Sensor Networks: Challenges and Opportunities. 2018 Fifth International Conference on Parallel, Distributed and Grid Computing (PDGC), 534-539. doi:10.1109/ PDGC.2018.8745845 Buitinck , L., Louppe, G., Blondel, M., Pedregosa, F., Mueller, A., Grisel, O., . . . Holt, B. (2013). design for machine learning software: experiences from the scikitlearn. 108--122. Obtenido de https://scikit-learn.org/stable/about.html#citingscikit-learn Cisco Systems. (2018). Reporte anual de ciberseguridad 2018. Cisco systems. San Jose , California: Cisco Systems.. Crespo, J. A. M. (2009). Detección del fraude en una auditoría de estados financieros. Perspectivas, (24), 227-242. Disponible en: https://www.redalyc.org/ pdf/4259/425942160012.pdf CyberSource. (2019). Lo que se necesita para ser líder en prevención de fraude Reporte global de fraude en eCommerce 2019. Foster city - USA: Cyber Source Dighe, D., Patil, S., y Kokate, S. (2018). Detection of Credit Card Fraud Transactions Using Machine Learning Algorithms and Neural Networks: A Comparative Study,” P. 2018 Fourth International Conference on Computing Communication Control and Automation (ICCUBEA), pp. 1-6. González., L. (2020). https://ligdigonzalez.com/. (Ligdi González) Recuperado el 02 de 02 de 2020, de https://ligdigonzalez.com/curso-gratis-introduccion-a-machinelearning/ Gonzalo, Á. (26 de mayo de 2018). Machine Learning, Data Science Y Analítica Avanzada. Obtenido De Machine Learning, Data Science Y Analítica Avanzada: http:// machinelearningparatodos.com/tipos-de-aprendizaje-automatico/ Hassan, J. C., M. G., Sanchez, N. S., Aros, L. H., Guzman, M. F., Cossio, L. G., . . . N. L. (2018). Visiones de la Contabilidad en el siglo XXI, Manifestaciones de las prácticas de aseguramiento financiero, a partir de estudios de caso emblemáticos en Colombia (Vol. 1). (R. P. Estepa, Ed.) Bogotá, Bogotá D.E., Colombia: Ediciones Nueva Jurídica. Kumar, D. P., Amgoth, T., & Annavarapu, C. S. (2019). Machine learning algorithms for wireless sensor networks: A survey. . Information Fusion, 1-25. Legal Information Institute (2018). Fraude con Tarjeta de crédito. Disponible en https:// www.law.cornell.edu/wex/es/fraude_con_tarjeta_de_cr%C3%A9dito Mackenzie, A. (1 de agosto de 2015). La Producción de Predicciones: ¿Qué quiere el aprendizaje automátco? Revista Europea de Estudios Culturales, 18, 429-445. Obtenido de https://bbibliograficas.ucc.edu.co:2160/10.1177% 2F1367549415577384 MarthWorks. (s.f.). Aprendizaje Supervisado. Obtenido de Técnica de Machine Learning para crear modelos predictivos a partir de datos de entrada y respuesta conocidos: https://es.mathworks.com/discovery/supervised-learning.html..html Mittal, S., y Tyagi, S. (29 de 07 de 2019). Performance Evaluation of Machine Learning Algorithms for Credit Card Fraud Detection. 9th International Conference on Cloud Computing, Data Science & Engineering (Confluence), 320-324. Doi:10.1109/CONFLUENCE.2019.8776925 Mohamad, M. A. (2018). La combinación de auto codificadores y apoyo de vectores para la detección de fraude en transacciones con tarjeta de credito. segunda conferencia en tendencias inteligentes en sistemas, seguridad y sostenibilidad (worldS4) (págs. 178 - 184). Londres: IEEE. Ñaupas, C. (2016). Minería de datos aplicada a la detección de fraude electrónico en entidades bancarias. Disponible en: http://cybertesis.unmsm.edu.pe/handle/ cybertesis/5080 Prajapati, J., y Jain, S. C. (2018). Machine Learning Techniques and Challenges in Wireless Sensor Networks. Second International Conference on Inventive Communication and Computational Technologies (ICICCT), Coimbatore, 233- 238. Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., . . . Prettenhofer, P. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 2825--2830. Obtenido de https://scikit-learn.org/ dev/about.html#citing-scikit-learn Pedregosa, F., Varoquaux, G., Gramfort , A., Perrot, M., Otros, Michel, V., . . . Duchesnay, É. (12 de 10 de 2011). https://scikit-learn.org/stable/modules/outlier_detection. html. Recuperado el 22 de 09 de 2019, de https://scikit-learn.org/stable/ modules/outlier_detection.html Porto, A. v. (2015). Modelos computacionales y metodologias utilizadas en la deteccion de fraude de las tarjetas de credito (tesis de grado) Universidad Nacional La Plata. Obtenido de http://sedici.unlp.edu.ar/handle/10915/71300 Sampieri, R. H. (2018). Metodología de la investigación: las rutas cuantitativa, cualitativa y mixta. McGraw Hill México. Vats, V., Zhang, S., Ahmed, S., y Enz, E. (2018). A Comparative Analysis of Unsupervised Machine Techniques for Liver Disease Prediction. IEEE International Symposium on Signal Processing and Information Technology, 486-489. Varmedja, D., Karanovic, M., Sladojevic, S., y Arsen, M. (2019). Credit Card Fraud Detection - Machine Learning methods. 18th International Symposium INFOTEH-JAHORINA (INFOTEH), 1-5. |
| dc.rights.license.none.fl_str_mv |
Atribución – No comercial – Compartir igual |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Atribución – No comercial – Compartir igual http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
59-71 |
| dc.publisher.spa.fl_str_mv |
Universidad Cooperativa de Colombia, Facultad de Ciencias Económicas, Administrativas y Contables, Contaduría Pública, Ibagué Alinin |
| 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/2ead466e-ff0a-48e9-9ed8-f799df19c65c/download https://repository.ucc.edu.co/bitstreams/66a78943-4fd6-4363-b687-42d344a24fdd/download https://repository.ucc.edu.co/bitstreams/f2b0632f-a6b1-4700-a585-723891de2324/download https://repository.ucc.edu.co/bitstreams/85feeb47-9f38-4e58-9287-2fb60ffa3225/download |
| bitstream.checksum.fl_str_mv |
3bce4f7ab09dfc588f126e1e36e98a45 1c088950100138b25aa37fee927153ac f2e4aeced1d2ad0d5fb65199952eeb81 97504c8bf9fabb8015fa7a48399d5b97 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Cooperativa de Colombia |
| repository.mail.fl_str_mv |
bdigital@metabiblioteca.com |
| _version_ |
1811565111734697984 |
| spelling |
Gutiérrez-Pórtela, FernandoHernández Aros, LudiviaFlórez-Guzmán, Mario HeimerPerdomo-Guerrero, César AugustoQuiceno-Castañeda, Diana Brigitte2021-01-13T18:50:14Z2021-01-13T18:50:14Z2020-01-072020-079789807857277www.doi.org/10.47212/tendencias2020vol.ix.5https://hdl.handle.net/20.500.12494/28618Gutiérrez-Pórtela, F., Hernández-Aros, L., Flórez-Guzmán, M. H., Perdomo-Guerrero, C. A. y Quiceno Castañeda, D. B. (2020). Mapeo de las técnicas de aprendizaje automático usados en fraudes con tarjeta de crédito. Chirinos Araque, Y. En Tendencias en la investigación universitaria “una visión desde Latinoamérica. (59-71). Universidad Politécnica Territorial de Falcón Alonso Gamero. https://alinin.org/wp-content/uploads/2020/10/Tendencias-Investigacion-Universitaria-Vol.-IX.pdfEl fraude es un acto delictivo que es aprovechado por personas que ven la oportunidad de realizarlo y lo ejecutan, especialmente, en contra de las finanzas de personas naturales o jurídicas. En el caso de las tarjetas de crédito, el fraude está presente en un alto porcentaje de organizaciones financieras y las pérdidas representan alrededor del 5% de los ingresos por año. Su temprana detección o, en su defecto, identificación en tiempo real, es una necesidad apremiante y exige soluciones eficaces que conserven el prestigio y confiabilidad esperadas por los clientes. Con base en lo expuesto, el presente capítulo de investigación analiza las técnicas de aprendizaje automático usados en fraudes con tarjeta de crédito. Metodológicamente, es un estudio descriptivo-explicativo de carácter cualitativo, abordando las técnicas que comúnmente se utilizan en los procesos de Aprendizaje Automático en la tipología de fraude en tarjetas de crédito. El resultado del estudio, reflejó el sinnúmero de investigaciones que se han realizado sobre el tema, abarcando grandes avances desde el 2002; así mismo, se observó que algoritmos de aprendizaje como redes neuronales, regresión logística y árboles de decisión, han contribuido a dar solución efectiva frente a la detección oportuna a un fraude con tarjeta de crédito.Fraud is a criminal act, which is taken advantage of by people who see the opportunity to do it and execute these facts against the finances of the companies. This crime is present in almost all organizations and losses represent around 5% of income per year, its early detection or failing in real time is a pressing need and requires effective solutions that preserve prestige and reliability for customers. Therefore, this study analyzes the machine learning techniques used in credit card fraud. Methodologically, it is a qualitative descriptive-explanatory study, addressing the techniques commonly used in the Automatic Learning processes in the typology of credit card fraud. The result of this research reflects that there are many investigations that have been carried out on the subject, covering great advances since 2002. It is observed that learning algorithms such as neural networks, logistic regression and decision trees have contributed to give effective solution to the Timely detection of even credit card fraud.http://scienti.colciencias.gov.co:8081/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000476030https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001438723https://orcid.org/0000-0003-3722-3809https://orcid.org/0000-0002-1571-3439AQUAPLANAUDIfernando.gutierrez@campusucc.edu.coludivia.hernandez@campusucc.edu.cohttps://scholar.google.es/citations?user=i48G4IMAAAAJ&hl=es59-71Universidad Cooperativa de Colombia, Facultad de Ciencias Económicas, Administrativas y Contables, Contaduría Pública, IbaguéAlininContaduría PúblicaIbaguéhttps://alinin.org/wp-content/uploads/2020/10/Tendencias-Investigacion-Universitaria-Vol.-IX.pdfApapan Pumsirirat, L. Y. (2018). Detección de fraude de tarjetas de crédito mediante aprendizaje profundo basado en codificador automático y máquina Boltzmann restringida. (IJACSA) Revista Internacional de Informática Avanzada y Aplicaciones, 9, 1, 18-. doi:10.14569 / IJACSA.2018.090103Auditol. (10 de 05 de 2019). Inteligencia artificial, un gran aliado para el trabajo del auditor. Obtenido de https://www.incp.org.co/inteligencia-artificial-granaliado-trabajo-del-auditor/Awoyemi, J. O., Adetunmbi , A. O., & Oluwadare, S. A. (2017). Credit card fraud detection using machine learning techniques: A comparative analysis,. International Conference on Computing Networking and Informatics (ICCNI), 1-9.Bangotra, D., Singh, Y., & Selwal, A. (2018). Machine Learning in Wireless Sensor Networks: Challenges and Opportunities. 2018 Fifth International Conference on Parallel, Distributed and Grid Computing (PDGC), 534-539. doi:10.1109/ PDGC.2018.8745845Buitinck , L., Louppe, G., Blondel, M., Pedregosa, F., Mueller, A., Grisel, O., . . . Holt, B. (2013). design for machine learning software: experiences from the scikitlearn. 108--122. Obtenido de https://scikit-learn.org/stable/about.html#citingscikit-learnCisco Systems. (2018). Reporte anual de ciberseguridad 2018. Cisco systems. San Jose , California: Cisco Systems..Crespo, J. A. M. (2009). Detección del fraude en una auditoría de estados financieros. Perspectivas, (24), 227-242. Disponible en: https://www.redalyc.org/ pdf/4259/425942160012.pdfCyberSource. (2019). Lo que se necesita para ser líder en prevención de fraude Reporte global de fraude en eCommerce 2019. Foster city - USA: Cyber SourceDighe, D., Patil, S., y Kokate, S. (2018). Detection of Credit Card Fraud Transactions Using Machine Learning Algorithms and Neural Networks: A Comparative Study,” P. 2018 Fourth International Conference on Computing Communication Control and Automation (ICCUBEA), pp. 1-6.González., L. (2020). https://ligdigonzalez.com/. (Ligdi González) Recuperado el 02 de 02 de 2020, de https://ligdigonzalez.com/curso-gratis-introduccion-a-machinelearning/Gonzalo, Á. (26 de mayo de 2018). Machine Learning, Data Science Y Analítica Avanzada. Obtenido De Machine Learning, Data Science Y Analítica Avanzada: http:// machinelearningparatodos.com/tipos-de-aprendizaje-automatico/Hassan, J. C., M. G., Sanchez, N. S., Aros, L. H., Guzman, M. F., Cossio, L. G., . . . N. L. (2018). Visiones de la Contabilidad en el siglo XXI, Manifestaciones de las prácticas de aseguramiento financiero, a partir de estudios de caso emblemáticos en Colombia (Vol. 1). (R. P. Estepa, Ed.) Bogotá, Bogotá D.E., Colombia: Ediciones Nueva Jurídica.Kumar, D. P., Amgoth, T., & Annavarapu, C. S. (2019). Machine learning algorithms for wireless sensor networks: A survey. . Information Fusion, 1-25.Legal Information Institute (2018). Fraude con Tarjeta de crédito. Disponible en https:// www.law.cornell.edu/wex/es/fraude_con_tarjeta_de_cr%C3%A9ditoMackenzie, A. (1 de agosto de 2015). La Producción de Predicciones: ¿Qué quiere el aprendizaje automátco? Revista Europea de Estudios Culturales, 18, 429-445. Obtenido de https://bbibliograficas.ucc.edu.co:2160/10.1177% 2F1367549415577384MarthWorks. (s.f.). Aprendizaje Supervisado. Obtenido de Técnica de Machine Learning para crear modelos predictivos a partir de datos de entrada y respuesta conocidos: https://es.mathworks.com/discovery/supervised-learning.html..htmlMittal, S., y Tyagi, S. (29 de 07 de 2019). Performance Evaluation of Machine Learning Algorithms for Credit Card Fraud Detection. 9th International Conference on Cloud Computing, Data Science & Engineering (Confluence), 320-324. Doi:10.1109/CONFLUENCE.2019.8776925Mohamad, M. A. (2018). La combinación de auto codificadores y apoyo de vectores para la detección de fraude en transacciones con tarjeta de credito. segunda conferencia en tendencias inteligentes en sistemas, seguridad y sostenibilidad (worldS4) (págs. 178 - 184). Londres: IEEE.Ñaupas, C. (2016). Minería de datos aplicada a la detección de fraude electrónico en entidades bancarias. Disponible en: http://cybertesis.unmsm.edu.pe/handle/ cybertesis/5080Prajapati, J., y Jain, S. C. (2018). Machine Learning Techniques and Challenges in Wireless Sensor Networks. Second International Conference on Inventive Communication and Computational Technologies (ICICCT), Coimbatore, 233- 238.Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., . . . Prettenhofer, P. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 2825--2830. Obtenido de https://scikit-learn.org/ dev/about.html#citing-scikit-learnPedregosa, F., Varoquaux, G., Gramfort , A., Perrot, M., Otros, Michel, V., . . . Duchesnay, É. (12 de 10 de 2011). https://scikit-learn.org/stable/modules/outlier_detection. html. Recuperado el 22 de 09 de 2019, de https://scikit-learn.org/stable/ modules/outlier_detection.htmlPorto, A. v. (2015). Modelos computacionales y metodologias utilizadas en la deteccion de fraude de las tarjetas de credito (tesis de grado) Universidad Nacional La Plata. Obtenido de http://sedici.unlp.edu.ar/handle/10915/71300Sampieri, R. H. (2018). Metodología de la investigación: las rutas cuantitativa, cualitativa y mixta. McGraw Hill México.Vats, V., Zhang, S., Ahmed, S., y Enz, E. (2018). A Comparative Analysis of Unsupervised Machine Techniques for Liver Disease Prediction. IEEE International Symposium on Signal Processing and Information Technology, 486-489.Varmedja, D., Karanovic, M., Sladojevic, S., y Arsen, M. (2019). Credit Card Fraud Detection - Machine Learning methods. 18th International Symposium INFOTEH-JAHORINA (INFOTEH), 1-5.Aprendizaje AutomáticoFraude con tarjeta de créditoTécnicas no supervisadasCredit card fraudMachine learningUnsupervised techniqueSupervised techniquesMapeo de las técnicas de aprendizaje automático usados en fraudes con tarjeta de créditoCapítulo - Parte de Librohttp://purl.org/coar/resource_type/c_3248http://purl.org/coar/version/c_970fb48d4fbd8a85info:eu-repo/semantics/bookPartinfo:eu-repo/semantics/publishedVersionAtribución – No comercial – Compartir igualinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2PublicationLICENSElicense.txtlicense.txttext/plain; charset=utf-84334https://repository.ucc.edu.co/bitstreams/2ead466e-ff0a-48e9-9ed8-f799df19c65c/download3bce4f7ab09dfc588f126e1e36e98a45MD52ORIGINAL2020_CapituloLibro.pdf2020_CapituloLibro.pdfapplication/pdf1637580https://repository.ucc.edu.co/bitstreams/66a78943-4fd6-4363-b687-42d344a24fdd/download1c088950100138b25aa37fee927153acMD51THUMBNAIL2020_CapituloLibro.pdf.jpg2020_CapituloLibro.pdf.jpgGenerated Thumbnailimage/jpeg6069https://repository.ucc.edu.co/bitstreams/f2b0632f-a6b1-4700-a585-723891de2324/downloadf2e4aeced1d2ad0d5fb65199952eeb81MD53TEXT2020_CapituloLibro.pdf.txt2020_CapituloLibro.pdf.txtExtracted texttext/plain99https://repository.ucc.edu.co/bitstreams/85feeb47-9f38-4e58-9287-2fb60ffa3225/download97504c8bf9fabb8015fa7a48399d5b97MD5420.500.12494/28618oai:repository.ucc.edu.co:20.500.12494/286182024-08-10 18:00:05.225restrictedhttps://repository.ucc.edu.coRepositorio Institucional Universidad Cooperativa de Colombiabdigital@metabiblioteca.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 |