Kara para aklamanın önlenmesi için derin öğrenme

dc.contributor.advisorŞirin, Yahya
dc.contributor.authorÇakır, Mert Yılmaz
dc.date.accessioned2025-01-28T09:51:46Z
dc.date.available2025-01-28T09:51:46Z
dc.date.issued2024
dc.departmentLisansüstü Eğitim Enstitüsü
dc.description.abstractBu tez, finansal suçlar aracılığıyla gerçekleşen kara para aklama sorununu ele almak ve özellikle kredi kartı dolandırıcılığı gibi suçların tespitindeki sınıf dengesizliği zorluğunu çözmek amacıyla derin öğrenme yaklaşımlarını araştırmaktadır. Dolandırıcılığı tespit etmedeki ana zorluk, normal ve sahte örnekler arasındaki doğal sınıf dengesizliğinden kaynaklanmaktadır. Bu sorunu çözmek adına otokodlayıcı tabanlı Gürültü Faktörü Kodlama yöntemi ile sentetik azınlık üst örnekleme tekniği birleştirilerek yeni bir sınıf dengeleme önerimi sunulmaktadır. Farklı veri kümelerinde çeşitli otokodlayıcı varyantları üzerinde gerçekleştirilen deneyler, önerilen yaklaşımın geleneksel üst örnekleme yöntemlerine kıyasla daha etkili olduğunu göstermektedir. Ayrıca çalışma, dolandırıcılık tespiti için çeşitli sınıflandırma yöntemlerini karşılaştırarak çok aşamalı derin öğrenme modellerinin genel performans üzerindeki olumlu etkilerini ortaya koymaktadır. Otokodlayıcı tabanlı Gürültü Faktörü Kodlama yaklaşımının, sınıf dengesizliği sorununu başarılı bir şekilde ele alarak yüksek doğruluk, anma, özgüllük, kesinlik, F1 puanı, AUC-ROC ve MCC değerlerinde etkileyici sonuçlar elde ettiği görülmektedir. Ancak bu yaklaşımın performansındaki veri kümesine bağlı değişkenlik, gelecekteki çalışmalarda model parametrelerinin daha etkin bir şekilde optimize edilmesi ve genelleme yeteneklerinin artırılması açısından dikkate alınmalıdır.
dc.description.abstractThis thesis investigates deep learning approaches to address the issue of money laundering, particularly in the detection of crimes such as credit card fraud, within the context of financial crimes. The primary challenge in fraud detection stems from the natural class imbalance between genuine and fraudulent examples. To tackle this issue, a novel proposal is presented by combining the autoencoder-based Noise Factor Encoding method with synthetic minority oversampling technique. Experiments conducted on various datasets with different autoencoder variants demonstrate the effectiveness of the proposed approach compared to traditional oversampling methods. Furthermore, the study compares various classification methods for fraud detection, highlighting the positive impact of multi-stage deep learning models on overall performance. The autoencoder-based Noise Factor Encoding approach successfully addresses the class imbalance problem, yielding impressive results in terms of high accuracy, recall, specificity, precision, F1 score, AUC-ROC, and MCC values. However, the variability in performance based on dataset characteristics emphasizes the need for more effective optimization of model parameters and enhanced generalization capabilities in future research endeavors.
dc.identifier.endpage125
dc.identifier.startpage1
dc.identifier.urihttps://hdl.handle.net/20.500.12436/7173
dc.institutionauthorÇakır, Mert Yılmaz
dc.language.isotr
dc.publisherİstanbul Sabahattin Zaim Üniversitesi
dc.relation.publicationcategoryTez
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzTY
dc.subjectKara para aklama
dc.subjectDerin öğrenme
dc.subjectSınıf dengesizliği
dc.subjectFinansal suçlar
dc.subjectDolandırıcılık tespiti
dc.subjectMoney laundering
dc.subjectDeep learning
dc.subjectClass imbalance
dc.subjectFinancial crimes
dc.subjectFraud detection
dc.titleKara para aklamanın önlenmesi için derin öğrenme
dc.title.alternativeDeep learning for anti money laundering
dc.typeDoctoral Thesis
dspace.entity.typePublication

Dosyalar

Orijinal paket

Listeleniyor 1 - 1 / 1
Yükleniyor...
Küçük Resim
İsim:
909250.pdf
Boyut:
5.25 MB
Biçim:
Adobe Portable Document Format
Açıklama:
Tez dosyası/Thesis file

Lisans paketi

Listeleniyor 1 - 1 / 1
Yükleniyor...
Küçük Resim
İsim:
license.txt
Boyut:
1.44 KB
Biçim:
Item-specific license agreed upon to submission
Açıklama: