Dans ce projet guidé de 2 heures, vous apprendrez à tirer parti de l'IA générative pour la génération de données afin de remédier au déséquilibre des données. SecureTrust Financial Services, une institution financière, nous a demandé de l'aider à améliorer la précision de son système de détection des fraudes. Le modèle est un classificateur binaire, mais il n'est pas performant en raison du déséquilibre des données. En tant que data scientists, nous allons employer des Réseaux antagonistes génératifs (GAN), un sous-ensemble de l'IA générative, pour créer des transactions frauduleuses synthétiques qui ressemblent beaucoup aux transactions réelles. Cette approche vise à équilibrer l'ensemble de données et à améliorer la précision du modèle de détection des fraudes. Ce projet guidé est conçu pour ceux qui souhaitent apprendre comment les modèles génératifs peuvent augmenter la précision du modèle en générant des données synthétiques. Pour tirer le meilleur parti de ce projet, il est recommandé d'avoir au moins un an d'expérience dans l'utilisation de frameworks d'apprentissage profond tels que TensorFlow et Keras en Python.