Google

Aviso: Se está a ler esta mensagem, provavelmente, o browser que utiliza não é compatível com os "standards" recomendados pela W3C. Sugerimos vivamente que actualize o seu browser para ter uma melhor experiência de utilização deste "website". Mais informações em webstandards.org.

Warning: If you are reading this message, probably, your browser is not compliant with the standards recommended by the W3C. We suggest that you upgrade your browser to enjoy a better user experience of this website. More informations on webstandards.org.

Trabalho Final de Mestrado

Ano Lectivo: 2018/2019
Aluno: ALEXANDRE MIGUEL GONÇALVES GOMES (49792)
Mestrado: Métodos Quantitativos para a Decisão Económica e Empresarial
Tipo: Estágio
Título do Trabalho Final de Mestrado: Aplicação de machine learning no combate ao branqueamento de capitais e ao financiamento do terrorismo
Sub Título:
Comentário: -
Instituição: QuidGest
Homologação: Dia 23/10/2019 às 17:26 por NUNO JOÃO DE OLIVEIRA VALÉRIO

Resumo

Este trabalho resulta de um estágio desenvolvido na Empresa Quidgest, S.A.  O trabalho final de mestrado versa sobre uma aplicação de Machine Learning na resolução da problemática de combate ao branqueamento de capitais e ao financiamento do terrorismo. Tal problema é conhecido como um caso de dados desbalanceados. Por conseguinte, a questão é abordada no decorrer do trabalho, apresentando várias formas de resolução. São ainda tratados os conceitos Machine Learning, Data Mining e Knowledge-Discovery in Databases. No âmbito do Machine Learning, o presente trabalho apenas se debruça sobre algoritmos supervisionados. Mais especificamente, os classificadores Random Forest, Adaboost e Boosting C5.0. Tais métodos foram aplicados sobre um repositório de dados que se encontravam alojados no sistema de gestão de base de dados Microsoft SQL Server.
A investigação seguiu a metodologia CRISP-DM e teve a sua implementação no software R.  
(Português)

This work results from an internship developed at Quidgest, S.A. This Master Final Work deals with an application of the Machine Learning in order to solve the problem of money laundering and the financing of terrorism. This problem is known as a case of unbalanced data. Therefore, the issue is addressed in the course of the work, presenting various forms of resolution. The concepts of Machine Learning, Data Mining and Knowledge-Discovery in Databases are also discussed. In Machine Learning, this paper only focuses on supervised algorithms. More specifically, the classifiers: Random Forest, Adaboost, and Boosting C5.0. These methods were applied to a data repository that was hosted in Microsoft SQL Server database management system.
The research followed the CRISP-DM methodology and was implemented in the R software.
(Inglês)

Palavras-chave

Aprendizagem Supervisionada, Machine Learning, Random Forest, Adaboost, Boosting, C5.0, Data Mining, Classe Desbalanceada, Árvores de Decisão (Português)

Supervised Learning, Machine Learning, Random Forest, Adaboost, Boosting, C5.0, Data Mining, Unbalanced Class, Decision Trees (Inglês)

Resumo Alargado

O Resumo Alargado ainda não foi submetido.

Trabalho Final de Mestrado

TFM-final.pdf (1,5MB)

Data da Prova Pública

Data da Prova Pública: 13-12-2019 11:30
Voltar