Using Machine Learning to Detect Fraud and Predict Time Series

Abstract

Kraftigere maskinvare og bedre maskinlæringsbibloteker gir nye muligheter for databehandling og analyse. Selv-lærende algoritmer har vist at de er i stand til å utkonkurrere menneskeskapte systmer i flere felt, og har blitt viktige deler av mange systemer.

I denne rapporten skal vi se på mulighetene rundt risikovurdering av transaksjoner med henysn på data som allerede er inkludert innad i transaksjonene ved å bruke maskinlæring. Videre skal vi demonstrere våre forsøk på å utvikle en modell til å forutse driftsdata med nevrale nettverk, som LSTM og GRU. Målet vårt er å bestemme om metodene kan anvendes på datasettene, og å lage et gjennomførbarhetsbevis, istedenfor et komplett system. Vi skal beskrive relevant maskinlæringsteori, og foreslå videre arbeid.

The rise of machine learning allows for many new applications in data analysis and prediction. Self-learning algorithms have shown themselves to be capable of outperforming human-made systems in several fields, and have been integrated on a large scale in human computer systems.

In this document, we will first examine the possibility of risk-scoring transactions with respect to the data already sent as part of the transactions, using unsupervised machine learning. Then, we will showcase our attempts at creating a model to predict maintenance data time series with Recurrent Neural Networks such as LSTM and GRU. Our goal is to determine whether the methods are applicable to the data sets, and to create proofs of concept, rather than working systems. Relevant machine learning theory will be introduced, and further work suggested.