dc.contributor.author | Πεφάνης, Νικήτας![]() |
el |
dc.contributor.author | Pefanis, Nikitas![]() |
en |
dc.date.accessioned | 2022-12-28T10:08:54Z | |
dc.date.available | 2022-12-28T10:08:54Z | |
dc.identifier.uri | https://dspace.lib.ntua.gr/xmlui/handle/123456789/56519 | |
dc.identifier.uri | http://dx.doi.org/10.26240/heal.ntua.24217 | |
dc.description | Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Τεχνο-οικονομικά συστήματα” | el |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
dc.subject | Μέθοδοι εξομάλυνσης | el |
dc.subject | Ανισοκατανεμημένο σύνολο δεδομένων | el |
dc.subject | Νευρωνικά δίκτυα | el |
dc.subject | Ηλεκτρονικές συναλλαγές | el |
dc.subject | Μοντέλα μηχανικής μάθησης | el |
dc.subject | Smoothing methods | en |
dc.subject | Imbalanced dataset | en |
dc.subject | Neural networks | en |
dc.subject | Electronic transactions | en |
dc.subject | Machine learning models | en |
dc.title | Ανάλυση τεχνικών μείωσης της επίδρασης των ανισοκατανεμημένων δεδομένων κατά την ανίχνευση κακόβουλων ηλεκτρονικών συναλλαγών | el |
dc.title | Analysis of smoothing methods on imbalanced dataset for the detection of malicious electronic transactions | en |
heal.type | masterThesis | |
heal.classification | Μηχανική Μάθηση | el |
heal.access | free | |
heal.recordProvider | ntua | el |
heal.publicationDate | 2022-10 | |
heal.abstract | Η ραγδαία ανάπτυξη της τεχνολογίας κατά τη διάρκεια των τελευταίων ετών έχει συντελέσει στην ψηφιοποίηση ολοένα και περισσότερων υπηρεσιών. Ο τραπεζικός κλάδος σίγουρα έχει συνταχθεί πλήρως με αυτήν τη νέα τάση, προσφέροντας τη δυνατότητα πλέον στον τελικό χρήστη να διεκπεραιώνει μια μεγάλη πληθώρα συναλλαγών ηλεκτρονικά. Η ταχύτατη αυτή ανάπτυξη της τεχνολογίας εγκυμονεί ωστόσο και κάποιους κινδύνους, με σημαντικότερο εξ αυτών να αποτελούν οι κακόβουλες συναλλαγές. Με τον όρο αυτό εννοούμε αυτές τις συναλλαγές που έγιναν από τρίτους εις βάρος των τελικών χρηστών με σκοπό την εξαπάτηση και οικονομική εκμετάλλευση αυτών. Στο πλαίσιο αυτής της εργασίας θα ασχοληθούμε εκτενώς με το συγκεκριμένο πρόβλημα, παρουσιάζοντας μεθόδους για την ανάπτυξη ενός συστήματος ικανού να ανιχνεύει αυτόματα τις κακόβουλες ηλεκτρονικές συναλλαγές. Μελετώντας αυτό το πρόβλημα προέκυψε ένα επιπλέον ζήτημα, αυτό των ανισοκατανεμημένων δεδομένων, καθώς η πλειοψηφία των συναλλαγών ανήκει στην κατηγορία των έγκυρων και όχι των κακόβουλων. Συνεπώς, εκτός από το αρχικό πρόβλημα, αναλύθηκαν και μέθοδοι με τις οποίες θα μπορούσαν να εξαλειφθούν οι συνέπειες ενός ανισοκατανεμημένου συνόλου δεδομένων στην εκπαίδευση ενός συστήματος αυτόματης αναγνώρισης των κακόβουλων συναλλαγών. Αναλύθηκαν τεχνικές για τη μείωση των φαινομένων αυτών, οι οποίες δοκιμάστηκαν σε διαφορετικές αρχιτεκτονικές μηχανικής μάθησης. Η διαφοροποίηση τους έγκειται στο γεγονός ότι αρχικά μεταχειρίζονται τα δεδομένα εκπαίδευσης με τελείως διαφορετικό τρόπο. Έτσι μπορούμε να εξάγουμε γενικότερα συμπεράσματα για την εφαρμογή των αλγορίθμων αυτών στο συνολικό πεδίο των μεθόδων μηχανικής μάθησης. | el |
heal.abstract | The rapid development of technology during the last years has led to the digitalization of more and more services. Banking is one of the leading sectors towards this direction by offering the end user the ability to handle a wide variety of transactions online. However, this rapid development of technology poses some risks, with malicious transactions being the most important among them. By this term we mean those transactions made by third parties at the expense of end users with the purpose of deceiving and financially exploiting them. In the context of this paper we will deal extensively with this problem, presenting methods for developing a system capable of automatically detecting malicious electronic transactions. While studying this problem the additional issue of unevenly distributed data arose, since the majority of transactions fall into the category of valid rather than malicious. Therefore, in addition to the initial issue, methods have been also analyzed on how the consequences of an unevenly distributed data set could be eliminated while training a system for automatic identification of malicious transactions. Several techniques of reducing these effects have been analyzed and tested on different machine learning architectures. Their differentiation lies on the fact that they initially treat the training set data in a completely different way. Thus we can draw more general conclusions for the application of these algorithms in the overall field of machine learning methods. | en |
heal.advisorName | Doulamis, Nikolaos![]() |
en |
heal.committeeMemberName | Δουλάμης, Νικόλαος | el |
heal.academicPublisher | Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών | el |
heal.academicPublisherID | ntua | |
heal.numberOfPages | 66 σ. | el |
heal.fullTextAvailability | false | |
heal.fullTextAvailability | false |
Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο: