Übersicht
Worum es bei diesem Projekt geht.
Trainiere ein GNN auf 1,2 Mio. Transaktionen zur Betrugserkennung und vergleiche es mit einem GBM. Erhalte dein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Schlage das tabular-basierte Betrugs-Modell des Zahlungsdienstleisters mit einem GNN auf dem Transaktions-Graph, ohne die Alert-Rate aus dem Ruder laufen zu lassen.
Earning criteria — what you'll demonstrate
- GraphSAGE oder GAT auf einem realen bipartiten Transaktions-Graph anwenden
- Zeitliche Holdouts für Graph-ML sauber konstruieren
- GNN-Performance fair gegen tabulare Baselines vergleichen
- Graph-Strukturen für Risk-Stakeholder visuell verständlich machen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Machine Learning on Graphs
Master · Ai Ml
Fit score: 1
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenData Scientist
Graph-ML in Risk-/Fraud-Anwendungen sauber zu benchmarken ist eines der wertvollsten Erstprojekte für Data Scientists in Zahlungsverkehrs-Teams.
Dieses Projekt schärft
- graph-neural-networks
- fraud-detection
- evaluation
ML-Ingenieur:in
Eine produktionsreife GNN-Pipeline mit zeitlichem Holdout zu liefern ist die Engineering-Praxis, die ML-Ingenieurinnen in Fintech-Risk-Teams unterscheidet.
Dieses Projekt schärft
- graphsage
- pytorch-geometric
- node-classification
Angewandte:r KI-Wissenschaftler:in
Strukturelle Betrugs-Muster mit GNNs zu erkennen und gegen tabulare Modelle abzugrenzen ist ein wachsendes Feld für angewandte KI-Wissenschaftlerinnen im Zahlungsverkehr.
Dieses Projekt schärft
- graph-neural-networks
- fraud-detection
- node-classification
Noch eine Sache