Eğitimin Amacı ve Kapsamı
El yapımı hız (velocity) özetleri ve ağaç tabanlı modeller tekil işlemleri iyi skorlar; ancak karmaşık oturum içi tıklama dizilerini, uzun vadeli kart/hesap davranış değişimlerini ve çoklu hesaplar arasındaki organize sahtekarlık halkalarını (mule networks) yakalamakta zorlanır. Bu ileri seviye eğitim; işlem ve oturum dizileri için Transformer/GRU kodlayıcılarını, davranışsal embedding öğrenimini, etiketlenmemiş yeni saldırılar için derin/variational autoencoder yapılarını ve ilişkisel ağlar için Graph Neural Network (GraphSAGE/GAT) modellerini kapsar.
Üretim gerçekliği göz ardı edilmez: derin modellerden çıkarılan temsillerin GBDT ile birleştirildiği iki aşamalı hibrit mimariler, focal loss ve milisaniye seviyesinde düşük gecikmeli online çıkarım stratejileri kurum vakası üzerinde uygulanır.
Kimler Katılmalı?
- Bankacılık, fintek, ödeme sistemleri, e-ticaret ve sigorta veri bilimcileri
- Mevcut GBDT/kural tabanlı fraud modellerini dizi ve ağ sinyalleriyle güçlendirmek isteyen ML mühendisleri
- Hesap ele geçirme (ATO), kart ve AML analitiği ekipleri
- Ön koşul: Python, PyTorch temelleri ve klasik sahtekarlık modelleme deneyimi
Kazanımlar
- Ham işlem ve oturum geçmişini düzensiz zaman aralıklı dizi (sequence) tensörlerine dönüştürmek
- Transformer ve GRU tabanlı kodlayıcılarla kart/kullanıcı davranış embedding'leri eğitmek
- Yeni sahtekarlık kalıplarını yakalamak için derin autoencoder ve contrastive anomali skorları üretmek
- Ortak cihaz, IP ve para transferi ağlarında GNN ile organize sahtekarlık kümelerini tespit etmek
- Derin embedding'leri LightGBM ile birleştiren, gecikme bütçesine uygun hibrit skorlama hattı kurmak
Konular
Tablo Modellerinin Sınırları ve Derin Fraud Mimarisi
- Agregasyon özelliklerinde kaybolan sıra, zaman aralığı ve ağ bilgisi
- Dizi, çizge ve tablo sinyallerini birleştiren çok modlu fraud mimarisi
İşlem ve Oturum Dizileri (Sequence Modelling)
- GRU ve Transformer encoder ile kart/hesap geçmişi kodlama
- Düzensiz zaman damgaları (time-delta encoding) ve hesap ele geçirme (ATO) tespiti
Temsil Öğrenimi ve Derin Anomali Modelleri
- Self-supervised ve contrastive pretraining ile müşteri/işyeri embedding'leri
- Denoising/Variational Autoencoder ve Deep SVDD ile sıfırıncı gün (zero-day) anomalileri
Graph Neural Networks ile Sahtekarlık Halkaları
- Hesap-cihaz-IP-alıcı heterojen çizgesinde GraphSAGE ve GAT
- Mule hesapları ve ortak davranışlı dolandırıcı kümelerinin yakalanması
Hibrit GBDT+DL ve Düşük Gecikmeli Servis
- Focal loss, PR-AUC/Recall@FPR ve değer ağırlıklı değerlendirme
- Asenkron embedding güncellemesi + gerçek zamanlı GBDT skorlama mimarisi
Bu Kategorideki Diğer Eğitimler
-
Üretim hattı görüntüleri, akustik/titreşim sinyalleri ve sistem loglarında derin hata tespiti: PatchCore/PaDiM, Anomalib, YOLO/segmentasyon, 1D-CNN/autoencoder ve sadece sağlam örneklerle (one-class) eğitim.
- Canlı Kurs
- 5 modül
-
N-BEATS, N-HiTS, Temporal Fusion Transformer (TFT), PatchTST, DeepAR ve TCN ile çok değişkenli, uzun ufuklu ve olasılıksal zaman serisi tahmini; NeuralForecast ve PyTorch Forecasting ile uygulama.
- Canlı Kurs
- 5 modül
-
Büyük ölçekli derin öneri mimarileri: Two-Tower vektör arama (FAISS/Qdrant), SASRec/BERT4Rec ile oturum dizisi önerileri, DeepFM/DCN-v2/DLRM ile CTR/CVR sıralama ve çok hedefli (MMoE) öğrenme.
- Canlı Kurs
- 5 modül
-
Türkçe ve çok dilli metinlerde ön işleme, morfoloji, regex, tokenizasyon, TF-IDF, kelime/cümle embedding'leri, spaCy ve scikit-learn/Hugging Face ile ilk metin sınıflandırma, NER ve duygu analizi modelleri.
- Canlı Kurs
- 5 modül
-
Düşük etiketli ortamlarda ileri NLP: domain-adaptive pretraining (MLM), DeBERTa/RoBERTa fine-tuning, LoRA/PEFT, SetFit ile few-shot öğrenme, zayıf denetimli etiketleme (Cleanlab/LLM-destekli), uzun belge ve çok dilli modeller.
- Canlı Kurs
- 5 modül
-
Sinir ağlarıyla uçtan uca NLP: alt-kelime tokenizasyonu, BiLSTM-CRF ve Transformer (BERT, DeBERTa, T5) mimarileri; Hugging Face Transformers ve PyTorch ile dizi etiketleme, seq2seq özetleme ve soru yanıtlama.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
