کتاب صوتی Building an API for Fraud Detection

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Building an API for Fraud Detection

موضوع کلی: برنامه نویسی

موضوع میانی: ای‌پی‌آی (API) و وب‌سرویس‌ها

📋 سرفصل‌های دوره

• 1. مبانی ساخت API در پایتون
• 2. مقدمه‌ای بر تشخیص تقلب
• 3. انواع الگوهای تقلب در تراکنش‌های مالی
• 4. مفاهیم کلیدی در تشخیص تقلب
• 5. معماری سیستم‌های تشخیص تقلب
• 6. جمع‌آوری و پیش‌پردازش داده‌های تراکنش
• 7. مهندسی ویژگی برای داده‌های تراکنش
• 8. مقدمه‌ای بر یادگیری ماشین در تشخیص تقلب
• 9. مدل‌های طبقه‌بندی برای تشخیص تقلب
• 10. آموزش و ارزیابی مدل‌های یادگیری ماشین
• 11. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 12. مدیریت داده‌های نامتوازن در تشخیص تقلب
• 13. تکنیک‌های نمونه‌برداری برای داده‌های نامتوازن
• 14. پیاده‌سازی مدل‌های تشخیص تقلب با استفاده از Scikit-learn
• 15. مقدمه‌ای بر فریم‌ورک‌های وب در پایتون
• 16. ساخت API با استفاده از Flask
• 17. اصول طراحی RESTful API
• 18. مسیرها (Routes) و متدهای HTTP
• 19. دریافت پارامترها در Flask
• 20. ارسال پاسخ‌های JSON
• 21. مدیریت خطا در API
• 22. امنیت API: احراز هویت و مجوزدهی
• 23. توکن‌های دسترسی (Access Tokens)
• 24. پیاده‌سازی احراز هویت با JWT
• 25. مدیریت نشست‌ها (Sessions) در API
• 26. استقرار API بر روی سرور
• 27. مقدمه‌ای بر Docker برای استقرار
• 28. ساخت ایمیج Docker برای برنامه Flask
• 29. استقرار برنامه Flask با Docker Compose
• 30. مبانی پایگاه داده برای ذخیره‌سازی تراکنش‌ها
• 31. کار با پایگاه داده PostgreSQL
• 32. اتصال Flask به PostgreSQL
• 33. عملیات CRUD بر روی داده‌های تراکنش
• 34. بهینه‌سازی کوئری‌های پایگاه داده
• 35. مقدمه‌ای بر یادگیری عمیق برای تشخیص تقلب
• 36. شبکه‌های عصبی کانولوشنال (CNN)
• 37. شبکه‌های عصبی بازگشتی (RNN)
• 38. استفاده از TensorFlow یا PyTorch
• 39. آموزش مدل‌های یادگیری عمیق
• 40. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 41. اعتبارسنجی متقابل (Cross-validation)
• 42. تفسیرپذیری مدل‌های تشخیص تقلب
• 43. تکنیک‌های توضیح‌پذیری مدل (XAI)
• 44. تجسم داده‌های تراکنش
• 45. نمودارهای پراکندگی و هیستوگرام
• 46. نمایش الگوهای مشکوک
• 47. شناسایی ناهنجاری‌ها (Anomaly Detection)
• 48. الگوریتم‌های پایه شناسایی ناهنجاری
• 49. کاربرد شناسایی ناهنجاری در تشخیص تقلب
• 50. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 51. تحلیل متن تراکنش‌ها
• 52. استخراج ویژگی از متن
• 53. کاربرد NLP در تشخیص کلاهبرداری‌های متنی
• 54. مراحل توسعه یک API تشخیص تقلب
• 55. طراحی معماری API
• 56. انتخاب ابزارها و فریم‌ورک‌ها
• 57. پیاده‌سازی ماژول‌های تشخیص تقلب
• 58. ادغام مدل‌های یادگیری ماشین با API
• 59. تست واحد (Unit Testing) برای API
• 60. تست یکپارچه‌سازی (Integration Testing)
• 61. مانیتورینگ و لاگ‌برداری API
• 62. مدیریت مقیاس‌پذیری API
• 63. بهینه‌سازی عملکرد API
• 64. استفاده از صف‌های پیام (Message Queues)
• 65. معرفی Kafka یا RabbitMQ
• 66. ادغام صف پیام با API
• 67. مدیریت رویدادهای بلادرنگ
• 68. مباحث پیشرفته در تشخیص تقلب
• 69. تشخیص تقلب در زمان واقعی (Real-time Fraud Detection)
• 70. یادگیری آنلاین (Online Learning)
• 71. تشخیص تقلب در شبکه‌های اجتماعی
• 72. تشخیص تقلب در تراکنش‌های بانکی
• 73. تشخیص تقلب در تجارت الکترونیک
• 74. تشخیص تقلب در صنعت بیمه
• 75. حفاظت از حریم خصوصی در تشخیص تقلب
• 76. ملاحظات اخلاقی در تشخیص تقلب
• 77. استانداردهای صنعتی برای تشخیص تقلب
• 78. آیندهٔ تشخیص تقلب و هوش مصنوعی
• 79. رصد و به‌روزرسانی مداوم مدل‌ها
• 80. مدیریت ریسک در سیستم تشخیص تقلب
• 81. ارتباط با ذینفعان و گزارش‌دهی
• 82. مستندسازی جامع API
• 83. راهنمای استفاده از API برای توسعه‌دهندگان
• 84. نکات امنیتی برای کاربران API
• 85. پروتکل‌های ارتباطی امن (HTTPS)
• 86. مدیریت وابستگی‌ها (Dependencies)
• 87. بررسی عملکرد API در شرایط بار بالا
• 88. مدیریت داده‌های حساس و محرمانه
• 89. قوانین و مقررات مربوط به حفاظت از داده‌ها
• 90. رعایت الزامات قانونی در توسعهٔ API
• 91. مقررات بانک مرکزی در حوزهٔ رمزارزها (در صورت مرتبط بودن)
• 92. چارچوب‌های فقهی در معاملات مالی اسلامی
• 93. اصول اخلاقی در توسعهٔ نرم‌افزار
• 94. تأثیرات فرهنگی و اجتماعی تشخیص تقلب
• 95. کاربرد هوش مصنوعی در نظام اقتصادی کشور
• 96. روش‌های نوین مبارزه با جرائم اقتصادی
• 97. نقش فناوری اطلاعات در امنیت اقتصادی
• 98. چالش‌های پیاده‌سازی سیستم‌های پیشرفته
• 99. آموزش نیروهای متخصص در حوزهٔ امنیت سایبری
• 100. فرهنگ‌سازی برای استفادهٔ امن از خدمات دیجیتال