Makine öğrenmesi algoritmaları ile suistimallerin belirlenmesi
Fraud detection by machine learning algorithms
- Tez No: 784343
- Danışmanlar: DR. ÖĞR. ÜYESİ FURKAN UYSAL
- Tez Türü: Yüksek Lisans
- Konular: Bankacılık, İşletme, İstatistik, Banking, Business Administration, Statistics
- Anahtar Kelimeler: Bankacılık sektörü, Bankalar, Denetim, Hile, Kötüye kullanma, Lojistik regresyon yöntemi, Makine öğrenmesi, Banking sector, Banks, Control, Fraud, Abuse, Logistic regression method, Machine learning
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Ankara Sosyal Bilimler Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Denetim ve Risk Yönetimi Ana Bilim Dalı (disiplinlerarası)
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kurumlar için tehdit unsuru olarak görülen suistimaller, kurumların yalnızca itibarını zedeleyip, güvensizlik ortamı oluşturmakla kalmayıp, faaliyetlerinin sonlandırılmasına neden olacak kadar etkili olabilmektedir. Suistimaller, yönetilmesi gereken en önemli kurumsal risklerden biri olmakla birlikte, bu riskin gerçekleşmesi durumunda ise sosyal ve ekonomik açıdan birçok olumsuz sonuç ile karşılaşılabilmektedir. Bu bağlamda, böyle bir riski yönetebilmek ve beraberinde sürdürülebilirliği sağlamak için, suistimallerin önlenmesi ve büyük boyutlara ulaşamadan ortaya çıkarılmasına yönelik, başta bankacılık ve finans sektöründe olmak üzere tüm sektörlerde faaliyet gösteren organizasyonların, nitelikli insan kaynağının yanı sıra veri analitiğine dayalı teknolojiye yatırım yapmaları kaçınılmaz olmuştur. Bu tez çalışmasının amacı, bankacılık ve finans sektöründeki suistimallerin ortaya çıkarılması konusunda, çalışanların demografik, mesleki ve finansal bilgileri üzerinden makine öğrenmesi algoritmalarından beşi aracılığıyla suistimal yapıp yapmadığına yönelik öngörü modelleri geliştirmek ve çalışanların profilleri üzerinden suistimallerin belirlenmesine yönelik literatürdeki eksikliği gidermektir. Bu çalışmada yöntem olarak, bir bankada 2017 ile 2021 yılları arasında suistimal yapan ve yapmayan çalışanlara ilişkin istatistiksel olarak anlamlı 8 değişken kullanılarak, Lojistik Regresyon, Rassal Orman, Karar Ağacı, Naive Bayes ve Destek Vektör Makinesi sınıflandırma algoritmaları ile çalışanların suistimal gerçekleştirip gerçekleştirmediği test edilmiş ve bu algoritmaların performans değerleri karşılaştırılmıştır. Çalışma sonucunda, Yaş, Cinsiyet, Eğitim Düzeyi, Birimde Çalışma Süresi, İzin Kullanım Oranı, KKB Skoru, Kredi Başvuru Adedi ve Kredi Kartı Doluluk Oranı değişkenleri kullanılarak oluşturulan Lojistik Regresyon modelinin en yüksek doğruluk oranı ve F-Skor değerine sahip olduğu belirlenmiştir.
Özet (Çeviri)
Known as a threat to organizations, fraud, not only destroys their reputation by creating an untrustable environment, but also causes bankruptcy. Fraud as an enterprise risk to be managed can have many social and economic effects in the case of not handled. It is inevitable for organizations in a range of sectors, especially in the banking and finance sector, to invest in technology based on data analytics besides qualified human resources to prevent and detect frauds before reaching substantial damages, and to ensure organizational sustainability. The study aims to develop a predictive model through a machine learning algorithm based on demographic, professional, and financial features for detecting frauds in the banking and finance industry, and to extend the literature in this field by proposing a machine learning-based model. As a research methodology, whether employees committed fraud was tested by classification algorithms, Logistic Regression, Random Forest, Decision Tree, Naive Bayes, and Support Vector Machine with the features of the bank employees worked between 2017 and 2021, and the performance metrics of these algorithms were compared. It is concluded that the Logistic Regression model using the features of Age, Gender, Education Level, Working Time in the Unit, Annual Leave Rate, Personal Credit Rating, Number of Loan Applications, and Credit Card Utilization Rate has the highest accuracy rate and F-Score value.
Benzer Tezler
- Enhancing security level of industrial internet of things devices based on botnet detection and feature selection
Endüstriyel nesnelerin interneti cihazlarının güvenlik seviyesinin botnet tespiti ve özellik seçimi tabanlı geliştirilmesi
WEAM HUSHAM ABDULWAHHAB AL JABBARI
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HASAN HÜSEYİN BALIK
ASSOC. DR. MUHAMMED ALİ AYDIN
- Makine öğrenmesi algoritmaları ile nüfus tahmini: Türkiye örneği
Machine learning algorithms to forecast population: Turkey example
FATİH VELİ ŞAHİNARSLAN
Yüksek Lisans
Türkçe
2019
Bilim ve Teknolojiİstanbul Teknik Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. FERHAN ÇEBİ
- Makine öğrenmesi algoritmaları kullanarak, metin madenciliği ve duygu analizi ile müşteri deneyiminin geliştirilmesi
Improving customer experience with text mining and sentiment analysis using machine learning algorithms
ERSİN KARAMANLI
- Makine öğrenmesi algoritmaları ile Avrupa havalimanları analizi
European airports analysis using machine learning algorithms
AHMET ARİF ÇOLAKOĞLU
Yüksek Lisans
Türkçe
2020
İşletmePamukkale Üniversitesiİşletme Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜSEYİN KOÇAK
- Makine öğrenmesi algoritmaları ile eczaneler için ilaç talep tahmini
Drug demand forecasting for pharmecies with machine learning algorithms
İLKER POYRAZ
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET GÜRHANLI