AUEB Library - Digital Repository

PYXIDA Institutional Repository
and Digital Library

Username
Password

Collections :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Επιστημών και Τεχνολογίας της Πληροφορίας / School of Informatics Τμήμα Στατιστικής / Department of Statistics Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Title :	Τεχνικές μηχανικής μάθησης στην ανίχνευση περιστατικών ασφαλιστικής απάτης

Alternative Title :	Machine learning techniques for fraud detection

Creator :	Κορδέλλου-Μαρίνου, Άννα-Μαρία

Contributor :	Γιαννακόπουλος, Αθανάσιος (Επιβλέπων καθηγητής) Ψαράκης, Στυλιανός (Εξεταστής) Ζυμπίδης, Αλέξανδρος (Εξεταστής) Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Στατιστικής (Degree granting institution)

Type :	Text

Extent :	80σ.

Language :	el

Identifier :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=10659

Abstract :	Σκοπός της εργασίας αποτελεί η παρουσίαση των βασικών μεθόδων μηχανικής μάθησης και η εξέταση της δυνατότητας εφαρμογής τους σε προβλήματα ανίχνευσης περιστατικών απάτης στην ασφαλιστική αγορά. Στο πρώτο μέρος της εργασίας παρουσιάζεται το πρόβλημα της απάτης καθώς και οι λόγοι που ωθούν τις ασφαλιστικές επιχειρήσεις στην αναζήτηση σύγχρονων μεθόδων για την ανίχνευση και πρόληψη τέτοιων περιστατικών. Το δεύτερο κεφάλαιο αποτελεί μια ανασκόπηση των βασικών στοιχείων της τεχνητής νοημοσύνης. Στη συνέχεια στο τρίτο κεφάλαιο αναπτύσσεται η θεωρία των δημοφιλέστερων αλγορίθμων εποπτευόμενης μάθησης δίνοντας έμφαση στην εφαρμογή τους σε προβλήματα δυαδικής ταξινόμησης. Τέλος, το τελευταίο μέρος της εργασίας αφορά στην εμπειρική εφαρμογή και σύγκριση των μεθόδων που αναπτύχθηκαν στο τρίτο κεφάλαιο. Η κατασκευή των μοντέλων αποσκοπεί στην ορθή ταξινόμηση των ζημιών του κλάδου αυτοκινήτων σε απάτες ή μη. The purpose of this paper is to present the main machine learning methods and to examine their applicability to problems of fraud detection in insurance market. The first chapter outlines the challenge of fraud and the motivation for companies to search advanced techniques for detecting and preventing such incidents. In the second chapter, we discuss the key components of artificial intelligence, its historical evolution, and the factors that have propelled its rapid growth. The following chapter provides a review of the fundamentals of artificial intelligence as with some historical facts regarding the development of this scientific field. In addition, reference is made to the factors that have contributed to its rapid development. Subsequently in the third chapter, the theory of the most popular supervised learning algorithms is developed with an emphasis on their application to binary classification problems. Finally, the last part of the paper deals with the empirical application and comparison of the methods developed in chapter three. The construction of the models aims at the correct classification of car damage into fraudulent or non-fraudulent.

Abstract :

Σκοπός της εργασίας αποτελεί η παρουσίαση των βασικών μεθόδων μηχανικής μάθησης και η εξέταση της δυνατότητας εφαρμογής τους σε προβλήματα ανίχνευσης περιστατικών απάτης στην ασφαλιστική αγορά. Στο πρώτο μέρος της εργασίας παρουσιάζεται το πρόβλημα της απάτης καθώς και οι λόγοι που ωθούν τις ασφαλιστικές επιχειρήσεις στην αναζήτηση σύγχρονων μεθόδων για την ανίχνευση και πρόληψη τέτοιων περιστατικών. Το δεύτερο κεφάλαιο αποτελεί μια ανασκόπηση των βασικών στοιχείων της τεχνητής νοημοσύνης. Στη συνέχεια στο τρίτο κεφάλαιο αναπτύσσεται η θεωρία των δημοφιλέστερων αλγορίθμων εποπτευόμενης μάθησης δίνοντας έμφαση στην εφαρμογή τους σε προβλήματα δυαδικής ταξινόμησης. Τέλος, το τελευταίο μέρος της εργασίας αφορά στην εμπειρική εφαρμογή και σύγκριση των μεθόδων που αναπτύχθηκαν στο τρίτο κεφάλαιο. Η κατασκευή των μοντέλων αποσκοπεί στην ορθή ταξινόμηση των ζημιών του κλάδου αυτοκινήτων σε απάτες ή μη.
The purpose of this paper is to present the main machine learning methods and to examine their applicability to problems of fraud detection in insurance market. The first chapter outlines the challenge of fraud and the motivation for companies to search advanced techniques for detecting and preventing such incidents. In the second chapter, we discuss the key components of artificial intelligence, its historical evolution, and the factors that have propelled its rapid growth. The following chapter provides a review of the fundamentals of artificial intelligence as with some historical facts regarding the development of this scientific field. In addition, reference is made to the factors that have contributed to its rapid development. Subsequently in the third chapter, the theory of the most popular supervised learning algorithms is developed with an emphasis on their application to binary classification problems. Finally, the last part of the paper deals with the empirical application and comparison of the methods developed in chapter three. The construction of the models aims at the correct classification of car damage into fraudulent or non-fraudulent.

Subject :	Ανίχνευση απάτης Μηχανική μάθηση Επιβλεπόμενη μάθηση Fraud detection Machine learning (ML) Supervised learning

Date Available :	2023-07-24 16:04:52

Date Issued :	11-07-2023

Date Submitted :	2023-07-24 16:04:52

Access Rights :	Free access

Licence :

File: Kordellou_Marinou_2023.pdf

Type: application/pdf

Login