بناء نموذج ذكاء اصطناعي لكشف عمليات الاحتيال في بطاقات الائتمان

تطوير نماذج تعلم آلة متطورة قادرة على التنبؤ بالمعاملات المالية المشبوهة بدقة عالية جداً، مع التعامل مع التحدي الأكبر وهو عدم توازن البيانات (Imbalanced Data). ​ما قمت بتنفيذه: ​معالجة البيانات: تنظيف البيانات واستخدام تقنيات القياس (RobustScaler) لضمان عدم تأثير القيم المتطرفة (Outliers). ​حل مشكلة عدم التوازن: تطبيق استراتيجيات متقدمة للتعامل مع ندرة حالات الاحتيال مقارنة بالمعاملات السليمة. ​تطوير النماذج: بناء واختبار عدة خوارزميات تشمل: ​Random Forest & XGBoost (لتحقيق أعلى دقة). ​Ensemble Learning: استخدام تقنيات الـ Stacking و Bagging و AdaBoost لدمج النماذج وتحسين النتائج. ​التقييم الدقيق: الاعتماد على مصفوفة الارتباك (Confusion Matrix) ومنحنى ROC-AUC لضمان تقليل الإنذارات الكاذبة (False Positives). ​النتائج المحققة: نجاح النموذج في كشف حالات الاحتيال بدقة استثنائية (Precision & Recall)، مما يساهم في حماية المؤسسات المالية من الخسائر