Tipus de document
Treball de fi de grauData de publicació
Llicència de publicació
Si us plau utilitzeu sempre aquest identificador per citar o enllaçar aquest document: https://hdl.handle.net/2445/228108
Comparativa de modelos de aprendizaje automático y estrategias de Aumentación de datos para la detección de fraude en transacciones financieras
Títol de la revista
Autors
Director/Tutor
ISSN de la revista
Títol del volum
Recurs relacionat
Resum
[en] Financial fraud represents a critical challenge for the global economy, with annual losses exceeding $28 billion worldwide. The exponential growth of digital transactions has created opportunities for sophisticated fraudulent activities that traditional rule-based systems struggle to detect effectively. In this project, we develop and compare machine learning models for fraudulent transaction detection in financial environments, while evaluating data augmentation strategies to address extreme class imbalance. We use the “Credit Card Fraud Detection” dataset containing 284,807 transactions with only 0.17% fraud cases, implementing Random Forest, K-Nearest Neighbors, and Support Vector Machines with various kernel configurations.
[es] El fraude financiero representa un desafío crítico para la economía global, con pérdidas anuales que superan los 28.000 millones de dólares. El crecimiento exponencial de transacciones digitales ha creado oportunidades para actividades fraudulentas sofisticadas que los sistemas tradicionales basados en reglas no logran detectar eficazmente. En este proyecto desarrollamos y comparamos modelos de aprendizaje automático para la detección de transacciones fraudulentas en entornos financieros, evaluando estrategias de aumentación de datos para abordar el desbalance extremo entre clases. Utilizamos el dataset “Credit Card Fraud Detection” con 284.807 transacciones y solo 0.17% de casos fraudulentos, implementando Random Forest, K-Nearest Neighbors y Support Vector Machines con diversas configuraciones de kernel.
[ca] El frau financer representa un repte crític per a l’economia global, amb pèrdues anuals que superen els 28.000 milions de dòlars. El creixement exponencial de transaccions digitals ha creat oportunitats per a activitats fraudulentes sofisticades que els sistemes tradicionals basats en regles no aconsegueixen detectar eficaçment. En aquest projecte desenvolupem i comparem models d’aprenentatge automàtic per a la detecció de transaccions fraudulentes en entorns financers, avaluant estratègies d’augmentació de dades per abordar el desequilibri extrem entre classes. Utilitzem el dataset “Credit Card Fraud Detection” amb 284.807 transaccions i només 0.17% de casos fraudulents, implementant Random Forest, K-Nearest Neighbors i Support Vector Machines amb diverses configuracions de kernel.
Descripció
Treballs Finals de Grau d'Enginyeria Informàtica, Facultat de Matemàtiques, Universitat de Barcelona, Any: 2025, Director: Bertran Miquel Oliver
Matèries (anglès)
Citació
Citació
SYDORENKO, Hlieb. Comparativa de modelos de aprendizaje automático y estrategias de Aumentación de datos para la detección de fraude en transacciones financieras. [consulted: 21 of July of 2026]. Available at: https://hdl.handle.net/2445/228108