Mostrar el registro sencillo del ítem

Analysis of the use of the supervised machine and deep learning techniques in the detection of financial fraud

Análisis del uso de técnicas supervisadas de aprendizaje automático y profundo en la detección de fraude financiero

dc.creatorRodriguez-Tovar, Katherin Lizeth
dc.creatorGutiérrez-Portela, Fernando
dc.creatorHernández-Aros, Ludivia
dc.date2023-10-31
dc.date.accessioned2023-11-17T22:56:42Z
dc.date.available2023-11-17T22:56:42Z
dc.identifierhttps://revistas.tec.ac.cr/index.php/tec_marcha/article/view/6927
dc.identifier10.18845/tm.v36i8.6927
dc.identifier.urihttps://hdl.handle.net/2238/14787
dc.descriptionIn the modern world, it is necessary to use techniques, methodologies, and actions in search of the integration of the various advances, tools, and current elements for joint work in solving the problems that affect the finances of organizations, since they make a business dynamic exist, creating economic value. Taking into account the above, this study analyzes the prevention of business fraud, through the use of automatic and deep learning techniques to generate prevention, treatment, and resolution of fraud carried out in financial systems. At the methodological level, information was obtained in databases at the documentary level, with reliable sources and case studies where the effectiveness of the use of the aforementioned techniques in the early detection of business fraud is tested. The results obtained in the documents consulted express that the algorithms that are most effective in preventing these frauds are decision tree, C5.0-SVM, Naïve Bayes, and Random Forest, with percentages of 92%, and 83.15%, 80, 4%, and 76.7% respectively. In contrast to deep learning, the literature showed that by making use of neural arithmetic logic units and performing the correct classification of the iNALU and ReLU neurons, the percentage of effectiveness increases greatly. In the final part of this document, results and conclusions are presented and consolidated, all within the framework of the topic addressed, in addition, the information compiled in this document is duly supported by the copyright to whom it corresponds.en-US
dc.descriptionEn el mundo moderno se hace necesario el uso de técnicas, metodologías y acciones en busca de la integración de los diversos avances, herramientas y elementos vigentes para el trabajo conjunto en la solución a las problemáticas que afectan las finanzas de las organizaciones, puesto que ellas hacen que exista una dinámica empresarial, creando valor económico. Teniendo en cuenta lo anterior, en este estudio se analiza la prevención de fraudes empresariales, mediante el uso de técnicas de aprendizaje automático y profundo para generar prevención, tratamiento y resolución a los fraudes llevados a cabo en sistemas del orden financiero. A nivel metodológico, se obtuvo información en bases de datos a nivel documental, con fuentes fidedignas y estudios de caso, donde se prueba la efectividad en el uso de las técnicas anteriormente nombradas en la detección temprana del fraude empresarial. Los resultados obtenidos en los documentos consultados expresan que los algoritmos que presentan mayor efectividad en la prevención de estos fraudes son árbol de decisión, C5.0-SVM, Naïve Bayes y Random Forest, con porcentajes de: 92%, 83.15%, 80,4% y 76, 7% respectivamente. Frente al aprendizaje profundo, la literatura mostró que al hacer uso de unidades lógicas aritméticas neuronales y realizando la correcta clasificación de las neuronas iNALU y ReLU el porcentaje de efectividad incrementa en gran proporción. En la parte final de este documento se presentan y consolidan resultados y conclusiones, todo en el marco de la temática abordada, además la información recopilada en este documento está debidamente respaldada por los derechos de autor a quien corresponde.es-ES
dc.formatapplication/pdf
dc.languagespa
dc.publisherEditorial Tecnológica de Costa Rica (entidad editora)es-ES
dc.relationhttps://revistas.tec.ac.cr/index.php/tec_marcha/article/view/6927/6729
dc.rightsDerechos de autor 2023 Revista Tecnología en Marchaes-ES
dc.rightshttps://creativecommons.org/licenses/by-nc-nd/4.0es-ES
dc.sourceTecnología en marcha Journal; 2023: V Congreso Internacional en Inteligencia Ambiental, Ingeniería de Software, Salud Electrónica y Móvil; Pág. 50-56en-US
dc.sourceRevista Tecnología en Marcha; 2023: V Congreso Internacional en Inteligencia Ambiental, Ingeniería de Software, Salud Electrónica y Móvil; Pág. 50-56es-ES
dc.source2215-3241
dc.source0379-3982
dc.subjectFinancial frauden-US
dc.subjectArtificial Intelligence (AI)en-US
dc.subjectincident factorsen-US
dc.subjectaccuracyen-US
dc.subjectdetectionen-US
dc.subjectFraude financieroes-ES
dc.subjectInteligencia Artificial (IA)es-ES
dc.subjectfactores incidenteses-ES
dc.subjectexactitudes-ES
dc.subjectdetecciónes-ES
dc.titleAnalysis of the use of the supervised machine and deep learning techniques in the detection of financial frauden-US
dc.titleAnálisis del uso de técnicas supervisadas de aprendizaje automático y profundo en la detección de fraude financieroes-ES
dc.typeartículo original
dc.type


Ficheros en el ítem

FicherosTamañoFormatoVer

No hay ficheros asociados a este ítem.

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem