Selección de una técnica de aprendizaje de máquina para la detección de Fraude Financiero Digital enfocado a transacciones no autorizadas o consentidas
ilustraciones, diagramas
- Autores:
-
Villamil Arcos, Carlos Alberto
- Tipo de recurso:
- Fecha de publicación:
- 2022
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/84015
- Palabra clave:
- 000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores
330 - Economía::332 - Economía financiera
Servicios financieros
Operaciones bancarias
Servicios bancarios
Financial services
Foreign exchange deposits
Banking services
Analítica
Fraude Digital Bancario
Detección Fraude Digital Bancario
Clases altamente desbalanceadas
Analytics
Digital Bank Fraud
Digital Bank Fraud Detection
Highly unbalanced classes
- Rights
- openAccess
- License
- Atribución-NoComercial 4.0 Internacional
| id |
UNACIONAL2_9cbe244a0f42aeefcf30bfdbc46893af |
|---|---|
| oai_identifier_str |
oai:repositorio.unal.edu.co:unal/84015 |
| network_acronym_str |
UNACIONAL2 |
| network_name_str |
Universidad Nacional de Colombia |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Selección de una técnica de aprendizaje de máquina para la detección de Fraude Financiero Digital enfocado a transacciones no autorizadas o consentidas |
| dc.title.translated.eng.fl_str_mv |
Selection of a machine mearning technique for the detection of Digital Financial Fraud focused on unauthorized or consented transactions |
| title |
Selección de una técnica de aprendizaje de máquina para la detección de Fraude Financiero Digital enfocado a transacciones no autorizadas o consentidas |
| spellingShingle |
Selección de una técnica de aprendizaje de máquina para la detección de Fraude Financiero Digital enfocado a transacciones no autorizadas o consentidas 000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores 330 - Economía::332 - Economía financiera Servicios financieros Operaciones bancarias Servicios bancarios Financial services Foreign exchange deposits Banking services Analítica Fraude Digital Bancario Detección Fraude Digital Bancario Clases altamente desbalanceadas Analytics Digital Bank Fraud Digital Bank Fraud Detection Highly unbalanced classes |
| title_short |
Selección de una técnica de aprendizaje de máquina para la detección de Fraude Financiero Digital enfocado a transacciones no autorizadas o consentidas |
| title_full |
Selección de una técnica de aprendizaje de máquina para la detección de Fraude Financiero Digital enfocado a transacciones no autorizadas o consentidas |
| title_fullStr |
Selección de una técnica de aprendizaje de máquina para la detección de Fraude Financiero Digital enfocado a transacciones no autorizadas o consentidas |
| title_full_unstemmed |
Selección de una técnica de aprendizaje de máquina para la detección de Fraude Financiero Digital enfocado a transacciones no autorizadas o consentidas |
| title_sort |
Selección de una técnica de aprendizaje de máquina para la detección de Fraude Financiero Digital enfocado a transacciones no autorizadas o consentidas |
| dc.creator.fl_str_mv |
Villamil Arcos, Carlos Alberto |
| dc.contributor.advisor.none.fl_str_mv |
Villa Garzón, Fernán Alonso |
| dc.contributor.author.none.fl_str_mv |
Villamil Arcos, Carlos Alberto |
| dc.subject.ddc.spa.fl_str_mv |
000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores 330 - Economía::332 - Economía financiera |
| topic |
000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores 330 - Economía::332 - Economía financiera Servicios financieros Operaciones bancarias Servicios bancarios Financial services Foreign exchange deposits Banking services Analítica Fraude Digital Bancario Detección Fraude Digital Bancario Clases altamente desbalanceadas Analytics Digital Bank Fraud Digital Bank Fraud Detection Highly unbalanced classes |
| dc.subject.lemb.spa.fl_str_mv |
Servicios financieros Operaciones bancarias Servicios bancarios |
| dc.subject.lemb.eng.fl_str_mv |
Financial services Foreign exchange deposits Banking services |
| dc.subject.proposal.spa.fl_str_mv |
Analítica Fraude Digital Bancario Detección Fraude Digital Bancario Clases altamente desbalanceadas |
| dc.subject.proposal.eng.fl_str_mv |
Analytics Digital Bank Fraud Digital Bank Fraud Detection Highly unbalanced classes |
| description |
ilustraciones, diagramas |
| publishDate |
2022 |
| dc.date.issued.none.fl_str_mv |
2022-12-27 |
| dc.date.accessioned.none.fl_str_mv |
2023-06-14T13:03:44Z |
| dc.date.available.none.fl_str_mv |
2023-06-14T13:03:44Z |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unal.edu.co/handle/unal/84015 |
| dc.identifier.instname.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.identifier.reponame.spa.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| dc.identifier.repourl.spa.fl_str_mv |
https://repositorio.unal.edu.co/ |
| url |
https://repositorio.unal.edu.co/handle/unal/84015 https://repositorio.unal.edu.co/ |
| identifier_str_mv |
Universidad Nacional de Colombia Repositorio Institucional Universidad Nacional de Colombia |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.indexed.spa.fl_str_mv |
RedCol LaReferencia |
| dc.relation.references.spa.fl_str_mv |
Abella, B. (2021). Mejora de las predicciones en muestras desbalanceadas. UNIVERSIDAD AUTÓNOMA DE MADRID. Campanini, D. (2018). DETECCIÓN DE OBJETOS USANDO REDES NEURONALES CONVOLUCIONALES JUNTO CON RANDOM FOREST Y SUPPORT VECTOR MACHINES. Universidad de Chile. Carmona, M., & Londoño, L. (2021). MODELOS DE MACHINE LEARNING PARA LA DETECCIÓN DE FRAUDE FINANCIERO. Universidad de Antioquia. CCIT, Tic Tac, & Safe. (2021). Tendencias del Cibercrimen 2021 - 2022. Https://Www.Ccit.Org.Co/Wp-Content/Uploads/Informe-Safe-Tendencias-Del-Cibercrimen-2021-2022.Pdf. Claire D. (2020, December 17). Un Recorrido Por Los Algoritmos De Machine Learning. Https://Www.Datasource.Ai/Es/Data-Science-Articles/Un-Recorrido-Por-Los-Algoritmos-de-Machine-Learning. Congreso de Colombia. (2009, January 5). Normatividad sobre delitos informáticos LEY 1273 DE 2009. Https://Www.Sic.Gov.Co/Recursos_user/Documentos/Normatividad/Ley_1273_2009.Pdf. Diaz, S., Angulo, J., & Barboza, M. (2018). ANÁLISIS DEL DELITO DE FRAUDE ELECTRONICO: MODALIDAD TARJETA DE CRÉDITO. Universidad Cooperativa de Colombia. Frola, F., Alvez, C., & Chesñevar, C. (2020). Un primer acercamiento a un modelo predictivo ajustable por umbrales para detección de fraudes financieros. Https://49jaiio.Sadio.Org.Ar/Pdfs/Asai/ASAI-09.Pdf, 114–127. Gutiérrez, A., & Polo, N. (2020). La transformación digital en los bancos colombianos. Colegio de Estudios Superiores de Administración. Hoyos, J. (2019). METODOLOGÍA DE CLASIFICACI ́ON DE DATOS DESBALANCEADOS BASADO EN MÉTODOS DE SUBMUESTREO. Universidad Tecnol ́ogica de Pereira. Infolaft. (2022). Cibercrimen en Colombia: todo lo que debe saber. Https://Www.Infolaft.Com/Lo-Que-Debe-Saber-Sobre-El-Cibercrimen-En-Colombia/. Kuznetsov, I. (2019, May 9). Metrics for Imbalanced Classification. Https://Towardsdatascience.Com/Metrics-for-Imbalanced-Classification-41c71549bbb5. Langwagen, L. (2019). Aplicación de aprendizaje automático a la detección de fraude en tarjetas de crédito . Universidad de la República. LatynPyme. (2022, February 3). EL COMERCIO ELECTRÓNICO EN EL 2021 ALCANZÓ 300 MILLONES DE TRANSACCIONES EN LA REGIÓN. Https://Www.Latinpymes.Com/El-Comercio-Electronico-En-El-2021-Alcanzo-300-Millones-de-Transacciones-En-La-Region/. Martínez, T. (2022). Comparación de modelos Machine Learning aplicados al riesgo de crédito. Universidad de Concepción. Medina, S. (2021). IMPLEMENTACIÓN Y COMPARACIÓN DE DOS ALGORITMOS SUPERVISADOS EN REDES NEURONALES CONVOLUCIONALES ORIENTADAS A LA DETECCIÓN DE ROSTROS PARA EJECUTARSE EN HARDWARE DE BAJOS RECURSOS. UNIVERSIDAD TECNOLÓGICA DE PEREIRA. Mintic. (2021). Boletín trimestral del sector TIC - Cifras cuarto trimestre de 2021. MinTic. (2021a). Boletín trimestral del sector TIC - Cifras primer trimestre de 2021. MinTic. (2021b). Informes del sector. Https://Colombiatic.Mintic.Gov.Co/679/W3-Multipropertyvalues-36410-199047.Html. Mintic. (2022, April 26). Boletín trimestral del sector TIC - Cifras cuarto trimestre de 2021. Https://Colombiatic.Mintic.Gov.Co/679/W3-Article-209445.Html. Na8. (2019, May 16). Estrategias para combatir clases desbalanceadas. Https://Www.Aprendemachinelearning.Com/Clasificacion-Con-Datos-Desbalanceados/. Pallares, F. (2014). Desarrollo de un modelo basado en Machine Learning para la predicción de la demanda de habitaciones y ocupación en el sector hotelero. UNIVERSIDAD TECNOLÓGICA DE BOLÍVAR. Pérez, A. (2019). ALGORITMO DE RANDOM FOREST APLICADO A LA DETECCIÓN DE FRAUDE EN EL SISTEMA BANCARIO ECUATORIANO. Escuela Politécnica Nacional. Policía Nacional de Colombia. (2022). Centro Cibernético Policial. Https://Caivirtual.Policia.Gov.Co/. Ramírez Eva María. (2021, December 3). ¿Qué pasó con el comercio electrónico en 2021? Https://Www.Ccce.Org.Co/Noticias/Que-Paso-Con-El-Comercio-Electronico-En-2021/. Rayo, C. (2020). PROTOTIPO DE DETECCIÓN DE FRAUDES CON TARJETAS DE CRÉDITO BASADO EN INTELIGENCIA ARTIFICIAL APLICADO A UN BANCO PERUANO. Universidad de Lima. scikit-learn. (2022a). sklearn.ensemble.RandomForestClassifier. Https://Scikit-Learn.Org/Stable/Modules/Generated/Sklearn.Ensemble.RandomForestClassifier.Html. scikit-learn. (2022b). sklearn.svm.SVC. Https://Scikit-Learn.Org/Stable/Modules/Generated/Sklearn.Svm.SVC.Html. scikit-learn.org. (2022a). 1.4. Support Vector Machines. Https://Scikit-Learn.Org/Stable/Modules/Svm.Html#tips-on-Practical-Use. scikit-learn.org. (2022b). sklearn.svm.SVC. Https://Scikit-Learn.Org/Stable/Modules/Generated/Sklearn.Svm.SVC.Html#sklearn-Svm-Svc. softwarelab. (2022). ¿Qué es cibercrimen? La definición y los 5 tipos principales. Https://Softwarelab.Org/Es/Que-Es-Cibercrimen/. Soto, C., & Ducuara, A. (2018). PROTECCIÓN DE DATOS PERSONALES EN LOS SERVICIOS DE INTERNET. In https://repository.ucatolica.edu.co/bitstream/10983/22521/1/Protecci%C3%B3n%20de%20Datos%20en%20los%20servicios%20de%20Internet.pdf. Superfinanciera. (2022a, March 7). Informe de Operaciones del Segundo semestre 2021. Https://Www.Superfinanciera.Gov.Co/Descargas/Institucional/PubFile1058928/Informetransacciones1221.Docx. Superfinanciera. (2022b, May 9). Superfinanciera. Https://Www.Superfinanciera.Gov.Co/Inicio/Nuestra-Entidad/Acerca-de-La-Sfc-60607. Superintendecia Financiera de Colombia. (2022, September 2). Informe de operaciones. Https://Www.Superfinanciera.Gov.Co/Jsp/Publicaciones/Publicaciones/LoadContenidoPublicacion/Id/61066/f/0/c/00. Tic Tac. (2021, December). Tendencias del cibercrimen 2021 -2022 Nuevas amenazas al comercio electrónico - CCIT - Cámara Colombiana de Informática y Telecomunicaciones. https://www.ccit.org.co/estudios/tendencias-del-cibercrimen-2021-2022-nuevas-amenazas-al-comercio-electronico/ Uribe, I. (2010). GUÍA METODOLÓGICA PARA LA SELECCIÓN DE TÉCNICAS DE DEPURACIÓN DE DATOS. Https://Repositorio.Unal.Edu.Co/Bitstream/Handle/Unal/69915/71644758.20101.Pdf?Sequence=4&isAllowed=y. www.bbva.com. (2015, November 25). ¿Qué es una transferencia bancaria y cuál es su clasificación? Https://Www.Bbva.Com/Es/Transferencias-Bancarias-Clasificacion-y-Comisiones-Mas-Usuales/. www.eustat. (2022). Transferencia electrónica de fondos (TEF). Https://Www.Eustat.Eus/Documentos/Opt_1/Tema_185/Elem_16630/Definicion.Html. |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.license.spa.fl_str_mv |
Atribución-NoComercial 4.0 Internacional |
| dc.rights.uri.spa.fl_str_mv |
http://creativecommons.org/licenses/by-nc/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Atribución-NoComercial 4.0 Internacional http://creativecommons.org/licenses/by-nc/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
62 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.country.none.fl_str_mv |
Colombia |
| dc.publisher.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.publisher.program.spa.fl_str_mv |
Medellín - Minas - Maestría en Ingeniería - Analítica |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Minas |
| dc.publisher.place.spa.fl_str_mv |
Medellín, Colombia |
| dc.publisher.branch.spa.fl_str_mv |
Universidad Nacional de Colombia - Nivel Nacional |
| institution |
Universidad Nacional de Colombia |
| bitstream.url.fl_str_mv |
https://repositorio.unal.edu.co/bitstream/unal/84015/3/license.txt https://repositorio.unal.edu.co/bitstream/unal/84015/4/98626143.2023.pdf https://repositorio.unal.edu.co/bitstream/unal/84015/5/98626143.2023.pdf.jpg |
| bitstream.checksum.fl_str_mv |
eb34b1cf90b7e1103fc9dfd26be24b4a 464462b99bd7e67f5fee541fa56b1d90 edaab12df1c60d380f6975544473977b |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| repository.mail.fl_str_mv |
repositorio_nal@unal.edu.co |
| _version_ |
1812169269332410368 |
| spelling |
Atribución-NoComercial 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Villa Garzón, Fernán Alonso9c83ea56495b8f17a79c27fd0001bb81Villamil Arcos, Carlos Alberto33ca9299d9af45a6c55be38cbe93f1c22023-06-14T13:03:44Z2023-06-14T13:03:44Z2022-12-27https://repositorio.unal.edu.co/handle/unal/84015Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/ilustraciones, diagramasLa constante evolución de la tecnología, unida al cambio cultural de las personas, ha permitido a las empresas brindar múltiples servicios en plataformas digitales fomentando la inmediatez y el fácil acceso a servicios mediante internet. En foco de este trabajo, son los servicios financieros digitales en Colombia, los cuales han tenido buena aceptación en el mercado, permitiendo, por ejemplo, realizar pagos mediante transferencias electrónicas en tiendas de barrio; sin embargo, en paralelo al incremento en el uso de servicios digitales financieros, los fraudes en transacciones digitales también han evolucionado y aumentan cada día. En este trabajo se evalúan diferentes métodos de aprendizaje de máquina, con el objetivo de encontrar un modelo apropiado para la detección de fraudes en transacciones digitales, basado en calidad de la predicción y tiempos de ejecución. Además, se enfoca en el análisis de un conjunto de transacciones bancarias reales ya ocurridas, con el fin de detectarlas y eventualmente poderlas evitar en futuras transacciones. Se implementaron y compararon cuatro modelos usados ampliamente en la literatura para el problema de clasificación: Logistic Regression; Random Forest; Support Vector Machine (SVM); y Neural Network. Finalmente, se evidencia que un modelo apropiado para la detección de fraudes es el SVM. (Texto tomado de la fuente)The constant evolution of technology and the cultural change of people, has allowed companies to provide multiple services on digital platforms, promoting immediacy and easy access to services through the Internet. The focus of this work is digital financial services in Colombia, which have been well accepted in the market, allowing, for example, to make payments through electronic transfers in neighborhood stores. However, in parallel with the increase in the use of digital financial services, fraud in digital transactions has also evolved and is increasing every day. In this work, different machine learning methods will be evaluated, with the aim of finding a satisfactory result in the detection of fraud in digital transactions, based on prediction quality and execution times. In addition, it focuses on the analysis of a set of real banking transactions that have already occurred, to detect them and eventually be able to avoid them in future transactions. Four models widely used in the literature for the classification problem were implemented and compared: Logistic Regression, Random Forest, Support Vector Machine (SVM), and Neural Networks. Finally, we showed evidence that an appropriate model for fraud detection is the SVM.MaestríaMagister en Ingeniería – AnalíticaÁrea Curricular de Ingeniería de Sistemas e Informática62 páginasapplication/pdfspaUniversidad Nacional de ColombiaMedellín - Minas - Maestría en Ingeniería - AnalíticaFacultad de MinasMedellín, ColombiaUniversidad Nacional de Colombia - Nivel Nacional000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores330 - Economía::332 - Economía financieraServicios financierosOperaciones bancariasServicios bancariosFinancial servicesForeign exchange depositsBanking servicesAnalíticaFraude Digital BancarioDetección Fraude Digital BancarioClases altamente desbalanceadasAnalyticsDigital Bank FraudDigital Bank Fraud DetectionHighly unbalanced classesSelección de una técnica de aprendizaje de máquina para la detección de Fraude Financiero Digital enfocado a transacciones no autorizadas o consentidasSelection of a machine mearning technique for the detection of Digital Financial Fraud focused on unauthorized or consented transactionsTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMColombiaRedColLaReferenciaAbella, B. (2021). Mejora de las predicciones en muestras desbalanceadas. UNIVERSIDAD AUTÓNOMA DE MADRID.Campanini, D. (2018). DETECCIÓN DE OBJETOS USANDO REDES NEURONALES CONVOLUCIONALES JUNTO CON RANDOM FOREST Y SUPPORT VECTOR MACHINES. Universidad de Chile.Carmona, M., & Londoño, L. (2021). MODELOS DE MACHINE LEARNING PARA LA DETECCIÓN DE FRAUDE FINANCIERO. Universidad de Antioquia.CCIT, Tic Tac, & Safe. (2021). Tendencias del Cibercrimen 2021 - 2022. Https://Www.Ccit.Org.Co/Wp-Content/Uploads/Informe-Safe-Tendencias-Del-Cibercrimen-2021-2022.Pdf.Claire D. (2020, December 17). Un Recorrido Por Los Algoritmos De Machine Learning. Https://Www.Datasource.Ai/Es/Data-Science-Articles/Un-Recorrido-Por-Los-Algoritmos-de-Machine-Learning.Congreso de Colombia. (2009, January 5). Normatividad sobre delitos informáticos LEY 1273 DE 2009. Https://Www.Sic.Gov.Co/Recursos_user/Documentos/Normatividad/Ley_1273_2009.Pdf.Diaz, S., Angulo, J., & Barboza, M. (2018). ANÁLISIS DEL DELITO DE FRAUDE ELECTRONICO: MODALIDAD TARJETA DE CRÉDITO. Universidad Cooperativa de Colombia.Frola, F., Alvez, C., & Chesñevar, C. (2020). Un primer acercamiento a un modelo predictivo ajustable por umbrales para detección de fraudes financieros.Https://49jaiio.Sadio.Org.Ar/Pdfs/Asai/ASAI-09.Pdf, 114–127.Gutiérrez, A., & Polo, N. (2020). La transformación digital en los bancos colombianos. Colegio de Estudios Superiores de Administración.Hoyos, J. (2019). METODOLOGÍA DE CLASIFICACI ́ON DE DATOS DESBALANCEADOS BASADO EN MÉTODOS DE SUBMUESTREO. Universidad Tecnol ́ogica de Pereira.Infolaft. (2022). Cibercrimen en Colombia: todo lo que debe saber. Https://Www.Infolaft.Com/Lo-Que-Debe-Saber-Sobre-El-Cibercrimen-En-Colombia/.Kuznetsov, I. (2019, May 9). Metrics for Imbalanced Classification. Https://Towardsdatascience.Com/Metrics-for-Imbalanced-Classification-41c71549bbb5.Langwagen, L. (2019). Aplicación de aprendizaje automático a la detección de fraude en tarjetas de crédito . Universidad de la República.LatynPyme. (2022, February 3). EL COMERCIO ELECTRÓNICO EN EL 2021 ALCANZÓ 300 MILLONES DE TRANSACCIONES EN LA REGIÓN. Https://Www.Latinpymes.Com/El-Comercio-Electronico-En-El-2021-Alcanzo-300-Millones-de-Transacciones-En-La-Region/.Martínez, T. (2022). Comparación de modelos Machine Learning aplicados al riesgo de crédito. Universidad de Concepción.Medina, S. (2021). IMPLEMENTACIÓN Y COMPARACIÓN DE DOS ALGORITMOS SUPERVISADOS EN REDES NEURONALES CONVOLUCIONALES ORIENTADAS A LA DETECCIÓN DE ROSTROS PARA EJECUTARSE EN HARDWARE DE BAJOS RECURSOS. UNIVERSIDAD TECNOLÓGICA DE PEREIRA.Mintic. (2021). Boletín trimestral del sector TIC - Cifras cuarto trimestre de 2021.MinTic. (2021a). Boletín trimestral del sector TIC - Cifras primer trimestre de 2021.MinTic. (2021b). Informes del sector. Https://Colombiatic.Mintic.Gov.Co/679/W3-Multipropertyvalues-36410-199047.Html.Mintic. (2022, April 26). Boletín trimestral del sector TIC - Cifras cuarto trimestre de 2021. Https://Colombiatic.Mintic.Gov.Co/679/W3-Article-209445.Html.Na8. (2019, May 16). Estrategias para combatir clases desbalanceadas. Https://Www.Aprendemachinelearning.Com/Clasificacion-Con-Datos-Desbalanceados/.Pallares, F. (2014). Desarrollo de un modelo basado en Machine Learning para la predicción de la demanda de habitaciones y ocupación en el sector hotelero. UNIVERSIDAD TECNOLÓGICA DE BOLÍVAR.Pérez, A. (2019). ALGORITMO DE RANDOM FOREST APLICADO A LA DETECCIÓN DE FRAUDE EN EL SISTEMA BANCARIO ECUATORIANO. Escuela Politécnica Nacional.Policía Nacional de Colombia. (2022). Centro Cibernético Policial. Https://Caivirtual.Policia.Gov.Co/.Ramírez Eva María. (2021, December 3). ¿Qué pasó con el comercio electrónico en 2021? Https://Www.Ccce.Org.Co/Noticias/Que-Paso-Con-El-Comercio-Electronico-En-2021/.Rayo, C. (2020). PROTOTIPO DE DETECCIÓN DE FRAUDES CON TARJETAS DE CRÉDITO BASADO EN INTELIGENCIA ARTIFICIAL APLICADO A UN BANCO PERUANO. Universidad de Lima.scikit-learn. (2022a). sklearn.ensemble.RandomForestClassifier. Https://Scikit-Learn.Org/Stable/Modules/Generated/Sklearn.Ensemble.RandomForestClassifier.Html.scikit-learn. (2022b). sklearn.svm.SVC. Https://Scikit-Learn.Org/Stable/Modules/Generated/Sklearn.Svm.SVC.Html.scikit-learn.org. (2022a). 1.4. Support Vector Machines. Https://Scikit-Learn.Org/Stable/Modules/Svm.Html#tips-on-Practical-Use.scikit-learn.org. (2022b). sklearn.svm.SVC. Https://Scikit-Learn.Org/Stable/Modules/Generated/Sklearn.Svm.SVC.Html#sklearn-Svm-Svc.softwarelab. (2022). ¿Qué es cibercrimen? La definición y los 5 tipos principales. Https://Softwarelab.Org/Es/Que-Es-Cibercrimen/.Soto, C., & Ducuara, A. (2018). PROTECCIÓN DE DATOS PERSONALES EN LOS SERVICIOS DE INTERNET. In https://repository.ucatolica.edu.co/bitstream/10983/22521/1/Protecci%C3%B3n%20de%20Datos%20en%20los%20servicios%20de%20Internet.pdf.Superfinanciera. (2022a, March 7). Informe de Operaciones del Segundo semestre 2021.Https://Www.Superfinanciera.Gov.Co/Descargas/Institucional/PubFile1058928/Informetransacciones1221.Docx.Superfinanciera. (2022b, May 9). Superfinanciera. Https://Www.Superfinanciera.Gov.Co/Inicio/Nuestra-Entidad/Acerca-de-La-Sfc-60607.Superintendecia Financiera de Colombia. (2022, September 2). Informe de operaciones.Https://Www.Superfinanciera.Gov.Co/Jsp/Publicaciones/Publicaciones/LoadContenidoPublicacion/Id/61066/f/0/c/00.Tic Tac. (2021, December). Tendencias del cibercrimen 2021 -2022 Nuevas amenazas al comercio electrónico - CCIT - Cámara Colombiana de Informática y Telecomunicaciones. https://www.ccit.org.co/estudios/tendencias-del-cibercrimen-2021-2022-nuevas-amenazas-al-comercio-electronico/Uribe, I. (2010). GUÍA METODOLÓGICA PARA LA SELECCIÓN DE TÉCNICAS DE DEPURACIÓN DE DATOS. Https://Repositorio.Unal.Edu.Co/Bitstream/Handle/Unal/69915/71644758.20101.Pdf?Sequence=4&isAllowed=y.www.bbva.com. (2015, November 25). ¿Qué es una transferencia bancaria y cuál es su clasificación? Https://Www.Bbva.Com/Es/Transferencias-Bancarias-Clasificacion-y-Comisiones-Mas-Usuales/.www.eustat. (2022). Transferencia electrónica de fondos (TEF). Https://Www.Eustat.Eus/Documentos/Opt_1/Tema_185/Elem_16630/Definicion.Html.AdministradoresEstudiantesLICENSElicense.txtlicense.txttext/plain; charset=utf-85879https://repositorio.unal.edu.co/bitstream/unal/84015/3/license.txteb34b1cf90b7e1103fc9dfd26be24b4aMD53ORIGINAL98626143.2023.pdf98626143.2023.pdfTesis de Maestría en Ingeniería - Analíticaapplication/pdf1619245https://repositorio.unal.edu.co/bitstream/unal/84015/4/98626143.2023.pdf464462b99bd7e67f5fee541fa56b1d90MD54THUMBNAIL98626143.2023.pdf.jpg98626143.2023.pdf.jpgGenerated Thumbnailimage/jpeg5529https://repositorio.unal.edu.co/bitstream/unal/84015/5/98626143.2023.pdf.jpgedaab12df1c60d380f6975544473977bMD55unal/84015oai:repositorio.unal.edu.co:unal/840152023-08-09 23:04:07.183Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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 |