飞豹客 · 课能看,资料也能带走
飞豹客体系课

Python数据分析行业案例课程--欺诈检测

这门课解决什么问题,先想清楚值不值得学 很多上班族学 Python 数据分析,常卡在“会调包却不会建模”这一步:看基础语法书觉得太浅,真去啃算法推导又用不上。这门围绕欺诈检测的体系课,定位刚好卡在中间。它不是泛泛讲 pandas 语法,而是拿医疗保险欺诈这种真实场景,带你走完从数据理解、特征工程到模

单课价¥39.00新品 上架
会员价¥7.80开通会员,全站课程按会员价下载套餐详情
1 人关注 更新于 2026-10-21 永久有效
发货

网盘链接 · 支付成功后自动发货

保障

永久有效 · 链接失效免费补发

客服

每日 9:00-21:00 在线客服 联系客服

购买本课销量 0 · 永久有效
会员价 · 单课标价 ¥39.00

会员 · 按档位

永久¥19.505折
年¥23.406折
月¥27.307折

游客按标价购买,不享受上表折扣。

支付成功后自动发放网盘链接,链接失效可找客服免费补

正版保障 极速发货 售后无忧

这门课解决什么问题,先想清楚值不值得学

很多上班族学 Python 数据分析,常卡在“会调包却不会建模”这一步:看基础语法书觉得太浅,真去啃算法推导又用不上。这门围绕欺诈检测的体系课,定位刚好卡在中间。它不是泛泛讲 pandas 语法,而是拿医疗保险欺诈这种真实场景,带你走完从数据理解、特征工程到模型评估的完整链路。如果你日常工作涉及风控、审计、保险理赔、反作弊审核,或者正想从业务运营转数据分析岗,这种带业务背景的建模练习比单纯刷题有用得多。但如果你连 pandas 基本操作还不熟,建议先补基础再看,否则第二章节就会卡住。

资料怎么配合练习,建议先看哪几块

这套资料的编排逻辑是“概念铺垫 + 案例实操”,不要一上来就跳到模型代码。建议先看第一章关于欺诈检测三种分析思路、以及它和信用评分模型差异的讲解——这两节决定了你后续做特征工程时脑子里的方向感。很多人做反欺诈模型容易犯的错,是拿风控评分卡的思路硬套,但欺诈行为分布极端不平衡、特征时效性要求更高,思路错了后面越做越偏。看完概念,立刻把课程提供的医疗保险案例数据下载下来,跟着第二章节做数据理解。资料里的代码和文档要配合用:先自己读一遍数据字典,尝试列出你认为可能存在欺诈的字段特征,再对照课程里的处理方式,这样比单纯跟着抄代码印象深刻得多。

学完能独立做什么

认真走完这个案例,你能独立完成几件具体的事:拿到一份带标签的业务交易数据,知道怎么排查缺失值和异常分布、怎么针对欺诈场景构造有效特征、怎么处理正负样本严重不均衡的问题、以及怎么选评估指标。课程不会让你成为算法专家,但能让你在面对“帮我看看这批数据有没有异常”这类工作需求时,有清晰的动手路径,而不是只停留在 Excel 透视表层面。对于转行者来说,这个医疗保险欺诈案例本身就是一个可以直接放进作品集的项目——面试时能讲清楚为什么选某个特征、为什么用某个模型、最终效果如何,比说“我学过 Python”有说服力太多。务实地说,这门课的价值不在教多高深的算法,而在让你经历一次完整的业务建模思维训练。

课程目录

课程目录48 集
  • 1-1 [欺诈检测(Fraud Detection)概述] 欺诈检测课程介绍 (12:01).mp4
  • 1-2 [欺诈检测(Fraud Detection)概述] 欺诈检测的一些基本概念 (06:09).mp4
  • 1-3 [欺诈检测(Fraud Detection)概述] 欺诈检测的难点所在 (14:11).mp4
  • 1-4 [欺诈检测(Fraud Detection)概述] 欺诈检测模型和信用评分模型的差异 (12:22).mp4
  • 1-5 [欺诈检测(Fraud Detection)概述] 欺诈检测的三种分析思路 (17:08).mp4
  • 1-6 [欺诈检测(Fraud Detection)概述] 本课程案例数据及文档下载 (10).mp4
  • 2-1 [医疗保险欺诈案例的数据理解] 医疗保险欺诈案例概况 (19:45).mp4
  • 2-2 [医疗保险欺诈案例的数据理解] 数据理解与数据准备阶段要做的工作 (07:15).mp4
  • 2-3 [医疗保险欺诈案例的数据理解] 特征工程概述 (19:24).mp4
  • 2-4 [医疗保险欺诈案例的数据理解] 【复习】对案例的数据探索:概述 (13:05).mp4
  • 2-5 [医疗保险欺诈案例的数据理解] 【复习】对案例的数据探索:代码实现 (16:34).mp4
  • 2-6 [医疗保险欺诈案例的数据理解] 【复习】极端值与异常值的处理 (15:25).mp4
  • 2-7 [医疗保险欺诈案例的数据理解] 连续特征的处理思路 (12:08).mp4
  • 2-8 [医疗保险欺诈案例的数据理解] 分类特征的处理思路 (08:34).mp4
  • 2-9 [医疗保险欺诈案例的数据理解] 数据衍生的基本思路 (24:21).mp4
  • 2-10 [医疗保险欺诈案例的数据理解] 结合业务背景对案例做数据理解 (12:02).mp4
  • 3-1 [用比对法发现欺诈] 模型0:异常值发现 (06:15).mp4
  • 3-2 [用比对法发现欺诈] 【复习】SVM的基本原理 (14:34).mp4
  • 3-3 [用比对法发现欺诈] 【复习】异常值检测的基本理论 (11:46).mp4
  • 3-4 [用比对法发现欺诈] 【复习】用单类SVM完成新奇值发现 (09:00).mp4
  • 3-5 [用比对法发现欺诈] 异常值发现的代码实现 (10:50).mp4
  • 3-6 [用比对法发现欺诈] 模型1:通过变量间的对比发现疑似欺诈 (11:34).mp4
  • 4-1 [用比较法发现欺诈] 【复习】聚类分析概述 (15:22).mp4
  • 4-2 [用比较法发现欺诈] 【复习】聚类分析的方法分类 (10:01).mp4
  • 4-3 [用比较法发现欺诈] 【复习】K-means聚类 (14:03).mp4
  • 4-4 [用比较法发现欺诈] 什么是Benford定律 (15:10).mp4
  • 4-5 [用比较法发现欺诈] 模型2:通过Benford定律发现疑似欺诈 (10:41).mp4
  • 4-6 [用比较法发现欺诈] 模型3:通过对投保人细分发现疑似欺诈 (08:35).mp4
  • 4-7 [用比较法发现欺诈] 投保人细分发现欺诈的实现 (12:39).mp4
  • 4-8 [用比较法发现欺诈] 模型4:发现医疗保健机构行为模式异常 (07:25).mp4
  • 5-1 [用模型法发现欺诈] 模型5:发现多个医疗保健机构共用投保人信息 (06:54).mp4
  • 5-2 [用模型法发现欺诈] 【复习】关联分析的基本概念 (08:28).mp4
  • 5-3 [用模型法发现欺诈] 【复习】关联分析的数据格式与结果格式 (14:58).mp4
  • 5-4 [用模型法发现欺诈] 【复习】Apriori算法的原理与实现 (15:59).mp4
  • 5-5 [用模型法发现欺诈] 发现共用投保人信息的代码实现 (08:04).mp4
  • 5-6 [用模型法发现欺诈] 模型6:发现异常诊断与处理过程 (08:05).mp4
  • 5-7 [用模型法发现欺诈] 发现异常诊断和处理过程的代码实现 (14:23).mp4
  • 6-1 [监督学习方法的欺诈检测实例] PaySim案例简介 (09:30).mp4
  • 6-2 [监督学习方法的欺诈检测实例] PaySim案例的数据理解 (15:57).mp4
  • 6-3 [监督学习方法的欺诈检测实例] PaySim案例的数据准备 (07:31).mp4
  • 6-4 [监督学习方法的欺诈检测实例] 【复习】类别预测模型概述 (10:33).mp4
  • 6-5 [监督学习方法的欺诈检测实例] 【复习】类别预测模型的实现原理 (15:22).mp4
  • 6-6 [监督学习方法的欺诈检测实例] 【复习】类别预测模型的种类 (10:26).mp4
  • 6-7 [监督学习方法的欺诈检测实例] 【复习】树模型的基本原理 (15:06).mp4
  • 6-8 [监督学习方法的欺诈检测实例] 【复习】随机森林 (15:25).mp4
  • 6-9 [监督学习方法的欺诈检测实例] 直接用随机森林建模 (09:25).mp4
  • 6-10 [监督学习方法的欺诈检测实例] 【复习】数据不平衡问题 (22:43).mp4
  • 6-11 [监督学习方法的欺诈检测实例] 对数据进行加权处理后建模 (05:02).mp4