Análisis de las técnicas de machine learning aplicadas en la detección de fraudes bancarios

Autores/as

  • Carlos Vicente Jones- Ortiz
  • Jomar Elizabeth Guzmán – Seraquive

DOI:

https://doi.org/10.47189/rcct.v22i33.516

Palabras clave:

Machine learning, inteligencia artificial, análisis de datos, fraudes bancarios

Resumen

Se considera al aprendizaje automático o de máquinas (machine learning en inglés), como una subárea en el campo de la computación e informática, además de estar estrechamente ligada a la inteligencia artificial; el objetivo de esta técnica es lograr que los ordenadores aprendan, siendo un agente que mejore la experiencia; ha sido muy útil sobre todo para el análisis de investigaciones y procesos que generan grandes cantidades de datos; para el presente artículo se realiza una revisión documental sobre el estado del arte de los principales métodos de aprendizaje automáticos, basados en publicaciones y artículos de hace no más de dos año. Busca eliminar las necesidades de contar con conocimiento experto en el análisis de datos, sin embargo, la intuición del ser humano sigue siendo pieza clave y no puede ser reemplazada en su totalidad. El objetivo del artículo es analizar las técnicas de machine learning más utilizadas en la detección de fraudes bancarios conociendo, las métricas empleadas.

Descargas

Los datos de descargas todavía no están disponibles.

Referencias

Bataller, R. (2019). La era de la inteligencia artificial. Nuevas herramientas para los creadores . San Juan : Unversidad Nacional de San Juan .

Bellido. (2019). Redes neuronales para predecir el comportamiento del conjunto de activos financieros más líquidos del mercado de valores peruano. Revista Científica de la UCSA,, 49-64. Retrieved from https://ucsa.edu.py/yeah/wp-content/uploads/2019/04/4_A0._Bellido-B.-Redes-neuronales-para-predecir-el-comportamiento_49-64.pdf

Bonsón, E., & Ortega, M. (2019). Big data, Iteligencia Artificial y Data Analitics ( BIDA). Dialnet, 11-13.

Borja Robalino, R., Monleón Getino, A., & Rodellar, J. (2020). Estandarización de métricas de rendimiento para clasificadores Machine y Deep Learning. Revista Ibérica de Sistemas e Tecnologias de Informação, 30, 184-196. Obtenido de https://www.researchgate.net/profile/Antonio_Monleon-Getino/publication/342009715_Estandarizacion_de_metricas_de_rendimiento_para_clasificadores_Machine_y_Deep_Learning/links/5ede3d0392851cf13869078e/Estandarizacion-de-metricas-de-rendimiento-para-clasifi

Calvo, J., Guzmán, M., & Ramos, D. (2018). Machine Learning, una pieza clave en la transformación de los modelos de negocio. Management Solutions, 1 - 42. Retrieved from https://www.managementsolutions.com/sites/default/files/publicaciones/esp/machine-learning.pdf

Fernández, A. (2019). Inteligencia artificial en los servicios financieros. Boletín Económico, 1-10.

Frola, Chesñevar, Alvez, Etchart, Miranda, Ruiz, & Teze. (2019). Framework SDF Machine Learning en transacciones financieras y detección temprana de fraudes. In XXI Workshop de Investigadores en Ciencias de la Computación (WICC 2019, Universidad Nacional de San Juan)..

Giraldo, & Caimàn. (2019). Bigdata, Análisis Y Tendencias En La Economía Digital. Eventos imteggrados, 1-522.

Bataller, R. (2019). La era de la inteligencia artificial. Nuevas herramientas para los creadores . San Juan : Unversidad Nacional de San Juan .

Bellido. (2019). Redes neuronales para predecir el comportamiento del conjunto de activos financieros más líquidos del mercado de valores peruano. Revista Científica de la UCSA,, 49-64. Retrieved from https://ucsa.edu.py/yeah/wp-content/uploads/2019/04/4_A0._Bellido-B.-Redes-neuronales-para-predecir-el-comportamiento_49-64.pdf

Bonsón, E., & Ortega, M. (2019). Big data, Iteligencia Artificial y Data Analitics ( BIDA). Dialnet, 11-13.

Borja Robalino, R., Monleón Getino, A., & Rodellar, J. (2020). Estandarización de métricas de rendimiento para clasificadores Machine y Deep Learning. Revista Ibérica de Sistemas e Tecnologias de Informação, 30, 184-196. Obtenido de https://www.researchgate.net/profile/Antonio_Monleon-Getino/publication/342009715_Estandarizacion_de_metricas_de_rendimiento_para_clasificadores_Machine_y_Deep_Learning/links/5ede3d0392851cf13869078e/Estandarizacion-de-metricas-de-rendimiento-para-clasifi

Calvo, J., Guzmán, M., & Ramos, D. (2018). Machine Learning, una pieza clave en la transformación de los modelos de negocio. Management Solutions, 1 - 42. Retrieved from https://www.managementsolutions.com/sites/default/files/publicaciones/esp/machine-learning.pdf

Fernández, A. (2019). Inteligencia artificial en los servicios financieros. Boletín Económico, 1-10.

Frola, Chesñevar, Alvez, Etchart, Miranda, Ruiz, & Teze. (2019). Framework SDF Machine Learning en transacciones financieras y detección temprana de fraudes. In XXI Workshop de Investigadores en Ciencias de la Computación (WICC 2019, Universidad Nacional de San Juan)..

Giraldo, & Caimàn. (2019). Bigdata, Análisis Y Tendencias En La Economía Digital. Eventos imteggrados, 1-522.

González, E., & Ortiz, A. (2018). Detección de Fraude en Tarjetas de Crédito mediante técnicas de mineria de datos . Universidad Santo Tomás .

Guillén, R. (2019). Sistemas para detectar fraude en medios de pago. Madrid: Universidad Politécnica de Madrid.

Henderson, & Richard. (2020). Using graph databases to detect financial fraud. Computer Fraud & Security, 6-10. doi:10.1016/S1361-3723(20)30073-7

Hueso, L. (2019). Riesgos e impato del Big Data, la inteligencia artificla, y la róbotica. Enfoque modelos y principios de la respuesta del derecho. Revista general del derecho administrativo, 2-37.

Meneses, M. (2018). Grandes datos, grandes desafíos para las ciencias sociales. Revista Mexicana de Sociología, 415-444. Obtenido de http://www.scielo.org.mx/pdf/rms/v80n2/0188-2503-rms-80-02-415.pdf

Ramírez, A., J. M., Martínez, A., & Quesada López, C. (2020). Uso de técnicas de minería de datos y aprendizaje automático para la detección de fraudes en estados financieros: un mapeo sistemático de literatura. Revista Ibérica de Sistemas e Tecnologias de Informação, 97 - 109.

Sadgali, Sael, & Benannou. (2019). Performance of machine learning techniques in the detection of financial frauds. Procedia Computer Science, 45-54.

Siddhant, B., Anish, G., Namita, G., & Arvind, G. (2020). Credit Card Fraud Detection using Pipeling and Ensemble Learning. Procedia Computer Science, 173, 104-112. doi:10.1016/j.procs.2020.06.014

Singh, A., & Jain, A. (2019). Adaptive Credit Card Fraud Detection Techniques Based on Feature Selection Method. Advances in Computer Communication and Computational Sciences (págs. 167-178). Singapore: Springer.

Singla, S., & Baliyan, N. (2019). Space Shuttle Landing Control Using Supervised Machine Learning. Book Chapter published 2019 in Advances in Intelligent Systems and Computing, 349-356. doi:doi.org/10.1007/978-981-13-1822-1_32

Suntaxi, M., Ordoñez, P., & Pesantes, M. (2018). Applications of Deep Learning in Financial Intermediation: A Systematic Literature Review. KnE Engineering, 47-60. doi:10.18502/keg.v3i9.3645

Descargas

Publicado

2022-01-31

Cómo citar

Jones- Ortiz, C. V. ., & Guzmán – Seraquive, J. E. . (2022). Análisis de las técnicas de machine learning aplicadas en la detección de fraudes bancarios. Revista Científica Ciencia Y Tecnología, 22(33). https://doi.org/10.47189/rcct.v22i33.516

Número

Sección

Artículos