Credit Card Fraud Detection

En este tutorial, te guiaremos a través del proceso de construcción de un poderoso modelo de aprendizaje automático usando Catalyst QuickML para predecir si un cliente abandonaría o no.

En este tutorial, primero realizaremos el preprocesamiento de los datasets para asegurarnos de que estén ordenados y preparados para el entrenamiento. A continuación, se construirá un data pipeline para manejar la transformación de datos, y se construirá un ML pipeline para entrenar y probar el modelo. Finalmente, proporcionaremos un endpoint para el modelo entrenado que permite la interacción con aplicaciones externas y proporciona Detecciones de Fraude en Tarjetas de Crédito.

El modelo de ML de Detección de Fraude en Tarjetas de Crédito se construye usando el siguiente servicio de Catalyst:

Catalyst QuickML : Usando este servicio, primero preprocesaremos el dataset de ejemplo implementando operaciones de nodos sobre ellos y construyendo el data pipeline. Estos datos preprocesados se usarán para crear un modelo de ML ejecutando algoritmos de ML. Finalmente, este modelo de ML de Detección de Fraude en Tarjetas de Crédito puede ser accedido por aplicaciones externas usando la URL del endpoint generada en QuickML.

La salida final, después de crear todos los data y ML pipelines requeridos en la consola de Catalyst, se verá así: