Detección de sucesos raros con machine learning

Carreño López, Ander (2017). Detección de sucesos raros con machine learning. Tesis (Master), E.T.S. de Ingenieros Informáticos (UPM).

Descripción

Título: Detección de sucesos raros con machine learning
Autor/es:
  • Carreño López, Ander
Director/es:
  • Mateos Caballero, Alfonso
Tipo de Documento: Tesis (Master)
Título del máster: Inteligencia Artificial
Fecha: Julio 2017
Materias:
Escuela: E.T.S. de Ingenieros Informáticos (UPM)
Departamento: Inteligencia Artificial
Licencias Creative Commons: Reconocimiento - Sin obra derivada - No comercial

Texto completo

[img]
Vista Previa
PDF (Document Portable Format) - Se necesita un visor de ficheros PDF, como GSview, Xpdf o Adobe Acrobat Reader
Descargar (2MB) | Vista Previa

Resumen

En los últimos años el análisis de fraude ha sido tema de interés entre los investigadores así como entre las administraciones públicas y empresas. El fraude fiscal, en concreto, la evasión del Impuesto sobre el Valor Añadido (IVA), hace que la Agencia Estatal de Administración Tributaria (AEAT) pierda millones de euros anualmente. Es por ello que el Departamento de Informática Tributaria (DIT) trabaja utilizando algoritmos sobre grafos así como técnicas de aprendizaje automático para intentar descubrir a aquellas personas, empresas o grupos que realizan actividades ilegales con el fin de defraudar. Afortunadamente, la relación entre la cantidad de entidades que defraudan y las que no, es muy baja. Por ello, en esta Tesis Fin de Máster se avanza un paso más en esta búsqueda introduciendo técnicas de detección de sucesos raros y one-class classification sobre las declaraciones de la renta reales recogidas cada año por la AEAT.---ABSTRACT--- In the last years, the analysis of fraud has been a subject of interest among researchers, as well as between public administrations and business. The fiscal fraud, specifically the evasion of TAX-es, makes the Spanish Tribute Administration Agency (AEAT) loses millions of euros annually. For this reason, the Tribute Computer Science Department works over Machine Learning algorithms and Graph Theory in order to discover people, companies or groups whose carry out illegal activities with the purpose of defraud. Fortunately, the relationship between the amount of defrauding entities is much lower than those whose are still legal. For that reason, in this thesis I step forward using novel techniques such as anomaly detection, one-class classification and balance of clases using the TAX declarations supplied by the AEAT.

Más información

ID de Registro: 47931
Identificador DC: http://oa.upm.es/47931/
Identificador OAI: oai:oa.upm.es:47931
Depositado por: Biblioteca Facultad de Informatica
Depositado el: 30 Sep 2017 08:29
Ultima Modificación: 30 Sep 2017 08:29
  • Open Access
  • Open Access
  • Sherpa-Romeo
    Compruebe si la revista anglosajona en la que ha publicado un artículo permite también su publicación en abierto.
  • Dulcinea
    Compruebe si la revista española en la que ha publicado un artículo permite también su publicación en abierto.
  • Recolecta
  • e-ciencia
  • Observatorio I+D+i UPM
  • OpenCourseWare UPM