Fraud Detection & Anomaly Detection (Imbalanced Data)

قمت ببناء مشروع Machine Learning للكشف عن عمليات الاحتيال (Fraud) واكتشاف الشذوذ (Anomaly Detection) على بيانات معاملات مالية غير متوازنة (Imbalanced) حيث تمثل حالات الاحتيال نسبة صغيرة جدًا من البيانات. المشروع يركز على بناء نموذج قوي للتعامل مع عدم توازن البيانات، مع ضبط Threshold بناءً على تكلفة الأخطاء، وتقديم تفسير واضح للعوامل المؤثرة، ثم نشر النموذج كـ API جاهز للاستخدام داخل أي نظام. Dataset : Credit Card Transactions (Fraud Detection) الخطوات التي تم تنفيذها: تنظيف البيانات ومعالجة القيم المفقودة وتحويل الأنواع. EDA لفهم توزيع المتغيرات ومعدل الاحتيال ومصادر الانحراف. التعامل مع عدم توازن البيانات عبر: Class Weights / Threshold tuning (اختياري) SMOTE أو undersampling بحذر بناء نماذج: Supervised: LightGBM / XGBoost / Logistic Regression Unsupervised (Anomaly): Isolation Forest / One-Class SVM (للحالات بدون labels) تقييم صحيح للـ Imbalanced Data باستخدام: PR-AUC كمقياس أساسي Recall@Precision / Precision@Recall + Confusion Matrix ضبط Threshold بناءً على Cost-Sensitive (تقليل False Negatives حسب حاجة البزنس). تفسير النموذج: Feature Importance / SHAP (لو supervised) نشر النموذج: FastAPI endpoint للتنبؤ Docker لتشغيل سريع (اختياري قوي) مراقبة Drift/Performance باستخدام Evidently. المخرجات (Deliverables): Notebook للتدريب والتحليل Model محفوظ FastAPI + Swagger UI Dockerfile تقرير تقييم + تفسير + توصيات لتقليل الاحتيال