Détection de Fraude - Transactions Cartes de Crédit

Projet personnel réalisé en septembre 2021. Inspiré de cas d’usage réels de la finance, ce projet vise à aider une entreprise à détecter automatiquement les fraudes dans des transactions bancaires, afin de protéger les clients contre des paiements non autorisés.

❓ Problématique

Avec des millions de transactions traitées chaque jour, comment identifier rapidement et avec fiabilité les opérations suspectes ?
➡️ L’objectif est de construire un modèle de classification robuste capable de différencier les transactions normales des fraudes, sur la base d’un jeu de données annoté.

🛠️ Solution mise en œuvre

• Gestion des utilisateurs : inscription, connexion, abonnement entre comptes

• 📊 Analyse exploratoire des données pour comprendre la répartition, le déséquilibre des classes et les variables clés.

• 🔍 Implémentation et comparaison de plusieurs modèles de classification supervisée :

  • XGBoost

  • Random Forest

  • SVM

  • K-Nearest Neighbors

  • Régression logistique

• ⚖️ Utilisation de techniques de traitement des données déséquilibrées

• 🧮 Évaluation via des métriques adaptées : precision, recall, F1-score, matrice de confusion.

• 💡 Quelques essais de forecasting sur les tendances temporelles.

⚙️ Stack technique

• Langage : Python

• Librairies : pandas · seaborn · scikit-learn · xgboost

• Méthodes : classification · évaluation de modèles · gestion de classes déséquilibrées

• Environnement : Jupyter Notebook

• Prérequis : Machine Learning · Python · notions de statistiques