Sistema de detección de transacciones fraudulentas en tiempo real utilizando Machine Learning /
Los ataques de fraudes electrónicos representan uno de los riesgos más significativos a los que se enfrentan las entidades financieras en la actualidad, generando grandes pérdidas económicas y afectando la confianza de los usuarios. En este contexto, la implementación de avanzadas técnicas de predic...
Guardado en:
| Autor principal: | |
|---|---|
| Autor Corporativo: | |
| Otros Autores: | |
| Formato: | Tesis Libro |
| Lenguaje: | Español |
| Publicado: |
General Pico, La Pampa :
Universidad Nacional de La Pampa, Facultad de Ingeniería,
2026.
|
| Materias: | |
| Acceso en línea: | https://repo.unlpam.edu.ar/items/63c20507-c10b-4be3-9535-fb489a226c8d |
| Aporte de: | Registro referencial: Solicitar el recurso aquí |
| LEADER | 04573nam a22004454i 4500 | ||
|---|---|---|---|
| 003 | AR-SrUBC | ||
| 005 | 20260413101634.0 | ||
| 007 | ta | ||
| 008 | 260327s2026 ag d qm 000 0 spa d | ||
| 999 | |c 52109 |d 52109 | ||
| 040 | |a AR-SrUBC |b spa |c AR-SrUBC |e rda | ||
| 041 | 0 | |b spa | |
| 080 | 0 | |2 2000 |a 004.41:343.72(043.2) | |
| 100 | 1 | |a Pérez, Camila Belén |e autora |9 109127 | |
| 245 | 1 | 0 | |a Sistema de detección de transacciones fraudulentas en tiempo real utilizando Machine Learning / |c Camila Belén Pérez ; Minetti Gabriela Fabiana (tutora). |
| 264 | 1 | |a General Pico, La Pampa : |b Universidad Nacional de La Pampa, Facultad de Ingeniería, |c 2026. | |
| 300 | |a 88 páginas : |b gráficas | ||
| 336 | |2 rdacontent |a texto |b txt | ||
| 337 | |2 rdamedia |a computadora |b c | ||
| 338 | |2 rdacarrier |a recurso en línea |b cr | ||
| 347 | |2 rdaft |a archivo de texto |b PDF | ||
| 500 | |a Disponible a texto completo en Repositorio Digital de Acceso Abierto UNLPam. | ||
| 502 | |a informe final |b (Ingeniería en Sistemas) -- |c Universidad Nacional de La Pampa, Facultad de Ingeniería, |d 2026. |g TES | ||
| 520 | |a Los ataques de fraudes electrónicos representan uno de los riesgos más significativos a los que se enfrentan las entidades financieras en la actualidad, generando grandes pérdidas económicas y afectando la confianza de los usuarios. En este contexto, la implementación de avanzadas técnicas de predicción se vuelve crucial para la detección temprana de actividades sospechosas. El presente trabajo final aborda la problemática de la detección de fraude financiero en transacciones bancarias mediante la aplicación de modelos de Machine Learning. Se explora la capacidad de diversos algoritmos de aprendizaje automático para identificar patrones anómalos en conjuntos de datos transaccionales. La metodología desarrollada incluye la preparación y el preprocesamiento de los datos, la evaluación comparativa de distintos modelos y la integración de herramientas complementarias para validar su rendimiento en un entorno simulado, buscando una aproximación más realista a la operativa bancaria. El objetivo principal fue desarrollar un sistema capaz de identificar eficazmente transacciones fraudulentas, optimizando métricas clave, vitales en problemas de clases desequilibradas como el fraude. Los resultados demuestran la viabilidad y la eficacia de las técnicas de aprendizaje automático para fortalecer las defensas contra el fraude, ofreciendo una solución robusta y escalable para las entidades financieras. | ||
| 520 | 3 | |a Electronic fraud attacks represent one of the most significant risks currently facing financial institutions, generating major economic losses and affecting user trust. In this context, the implementation of advanced prediction techniques becomes crucial for the early detection of suspicious activities. This final project addresses the issue of financial fraud detection in banking transactions through the application of Machine Learning models. It explores the ability of various machine learning algorithms to identify anomalous patterns in transactional datasets. The developed methodology includes data preparation and preprocessing, the comparative evaluation of different models, and the integration of complementary tools to validate their performance in a simulated environment, seeking a more realistic approach to banking operations. The main objective was to develop a system capable of effectively identifying fraudulent transactions, optimizing key metrics that are vital in imbalanced class problems such as fraud. The results demonstrate the viability and effectiveness of machine learning techniques to strengthen defenses against fraud, offering a robust and scalable solution for financial institutions. | |
| 630 | 0 | 4 | |a Ingeniería en sistemas |9 108979 |
| 650 | 7 | |2 lemb3 |a Fraude |9 9741 | |
| 650 | 7 | |2 lemb3 |a Bancos |9 4624 | |
| 650 | 7 | |2 lemb3 |a Ingeniería en sistemas |9 108979 | |
| 650 | 7 | |2 lemb3 |a Ingeniería de software |9 45214 | |
| 650 | 7 | |2 lemb3 |a Programación (computadores electrónicos) |9 2109 | |
| 650 | 7 | |2 lemb3 |a Tesis y disertaciones académicas |9 9904 | |
| 653 | 0 | |a Deteccion de fraude | |
| 653 | 0 | |a Machine Learning | |
| 653 | 0 | |a Transacciones bancarias | |
| 653 | 0 | |a Algoritmos de predicción ́ | |
| 700 | 1 | |a Minetti, Gabriela Fabiana |e tutora |9 109128 | |
| 710 | 2 | |a Universidad Nacional de La Pampa. |b Facultad de Ingeniería |e entidad responsable |9 77604 | |
| 856 | |u https://repo.unlpam.edu.ar/items/63c20507-c10b-4be3-9535-fb489a226c8d | ||
| 942 | |2 cdu |b 2026-04-07 |c RE |h 004.41 |z CS |6 00441 | ||