Пишнограєв, Іван ОлександровичПопадюк, Каріна Вадимівна2026-09-082026-09-082026Попадюк, К. В. Моделі машинного навчання для виявлення фродових транзакцій з метою мінімізації ризиків чарджбеків : дипломна робота … бакалавра : 122 Комп'ютерні науки / Попадюк Каріна Вадимівна. – Київ, 2026. – 93 с.https://ela.kpi.ua/handle/123456789/82878Дипломна робота: 93 с., 27 рис., 23 табл., 28 посилань, без додатків. Об’єктом дослідження є процес виникнення фродових транзакцій у цифрових платіжних системах та їхній вплив на рівень чарджбеків. Предметом дослідження є методи машинного навчання для виявлення фродових транзакцій і мінімізації ризиків чарджбеків для бізнесу. Метою роботи є розроблення, аналіз та порівняння моделей машинного навчання для прогнозування фродових транзакцій з урахуванням сильного дисбалансу класів. У дипломній роботі розглянуто чарджбек як механізм захисту споживачів і водночас як джерело фінансових, операційних та репутаційних ризиків для мерчантів. Проаналізовано основні типи чарджбеків та встановлено, що справжній фрод потребує превентивного підходу. Роботу формалізовано як задачу бінарної класифікації з учителем для сильно незбалансованих даних. Обґрунтовано, що стандартна точність є недостатньо інформативною для цієї задачі, тому основну увагу приділено Precision, Recall, F2 та ROC-AUC. Проаналізовано логістичну регресію, дерево рішень, Random Forest, XGBoost, LightGBM, KNN, MLP та TabNet. Встановлено, що найкращу якість за F2-мірою продемонструвала модель Random Forest. Отримані результати підтверджують, що ефективна система виявлення фроду має поєднувати якісну модель класифікації, коректну роботу з дисбалансом класів і ретельне налаштування порогу прийняття рішень. Практична цінність роботи полягає у можливості використання побудованого підходу для зменшення кількості фродових транзакцій, скорочення чарджбеків і зниження фінансових ризиків бізнесу.93 с.ukчарджбекфродфродові транзакціїмашинне навчаннябінарна класифікаціянезбалансовані даніrandom forestxgboostlightgbmвиявлення шахрайстваchargebackfraudfraudulent transactionsmachine learningbinary classificationimbalanced datarandom forestxgboostlightgbmfraud detectionBachelor Thesis