SOLUTIONS
USE-CASES
LE LAB
ARTICLES
NOUS SOMMES
CONTACT
CARRIÈRES
NEWS
ACCES ENABLERS
Trier par mots-clés
AjamaislesPremiers
Algorithmes
algorithmique
Alumni
Améliorationdeprocess
Aquiladata
Audit
AutoML
BeEnabler
BigData
Chronos2
Clustering
CNN
ComputerVision
ContrôleQualité
Cosmétique
Data
DataGouvernance
DataScience
DataVisualisation
DeepLearning
DétectionAnomalie
DétectionAnomalies
DétectionObjets
Donnée synthétique
Données Synthétiques
DroitauData
Enabler
Energie
equationsdifferentielles
Equipe
Event
Expansion
Fewshotlearning
Forecast
Forecasting
FoundationModels
Fraude
GAN
GenAI
Géoscience
GPU
IA
IA generative
Images
Immobilier
Industrialisation
Innovation
IntelligenceArtificielle
Interprétation
LabInsights
large language models
LectureIntelligente
LightGBM
LLM
LLMs
MachineLearning
MaintenancePrédictive
Marseille
MCMC
MLops
Modèle
MotifsRecurrents
NLP
OpenCV
Optimisationdeproduction
Prévision
probabiliste
ProjetCollaboratif
Python
ReconnaissanceObjets
RégionPaca
Réseau
Rewind
RH
SaisonnalitéVente
Segmentation
SHAP
synthetic data
Team
Tensorflow
TimeSerie
TimeSeries
TimeSeriesAnalysis
UnsupervisedLearning
virtualsensor
SOLUTIONS
USE-CASES
LE LAB
ARTICLES
NOUS SOMMES
CONTACT
>WE HIRE<
CARRIÈRES
NEWS
ACCES ENABLERS
OK
Banque / Assurance
DÉTECTER LA FRAUDE DANS LE CATALOGUE DES FORMATIONS
#
DétectionAnomalies
#
LectureIntelligente
#
NLP
OBJECTIFS
Développement de modèles de détection de fraude pour identifier les transactions par carte bancaire suspectes
Régler les problèmes de dissymétrie d’informations
Concevoir un modèle de détection de fraude permettant de classer les transactions faussement négatives donnant 100% de rappel
ALGORITHMES
Modèle GMM pour le clustering de variables Génération de dataset pour training
Benchmark de méthodes de Machine Learning classiques (RF, arbres de décision) et de Deep Learning (CNN, RNN, LSTM…)
Parlez-en AVEC UN EXPERT !
Pierre Duranton
COO Associé
pduranton@aquiladata.fr
> JE LE CONTACTE !
VOIR TOUS LES USE-CASES