IA pour la surveillance des activités suspectes

Aperçu

Build AI-Powered Systems to Detect Anomalies, Fraud, and Unusual Patterns in Real-Time Using Machine Learning & Gen AI What you'll learn:

Learn about the uses of self-supervised machine learningImplement self-supervised machine learning frameworks such as autoencoders using PythonLearn about deep learning frameworks such as Keras and H2OLearn about Gen AI and LLM Frameworks Unlock the power of AI to detect anomalies, fraud, and suspicious behaviour in digital systems. "AI for Suspicious Activity Monitoring" is a hands-on, end-to-end course designed to teach you how to use traditional AI techniques, deep learning, and generative AI (GenAI) to monitor and respond to unusual patterns in real-world data.Whether you're a developer, data analyst, or aspiring AI professional, this course provides practical tools and strategies to build intelligent monitoring systems using Python, autoencoders, and large language models (LLMs).What You’ll Learn Anomaly Detection Techniques:

Implement classical and modern methods, including statistical outlier detection, clustering-based approaches, and autoencoders.Deep Learning for Behaviour Monitoring:

Use unsupervised learning (e.g., autoencoders) to detect irregular patterns in time series, text, or sensor data.GenAI & LLM Integration:

Explore how large language models like OpenAI’s GPT and frameworks such as LangChain and LLAMA-Index can assist in monitoring human-generated activity (e.g., suspicious conversations, document scans).Fraud and Cyber Threat Detection:

Apply AI tools to detect threats in finance, cybersecurity, e-commerce, and other high-risk domains.Cloud-Based Implementation:

Build scalable pipelines using tools like Google Colab for real-time or batch monitoring.Text Analysis for Audit Trails:

Perform NLP-based extraction, entity recognition, and text summarisation to flag risky interactions and records.Why Enrol in This Course?In today’s fast-paced digital world, AI-powered monitoring systems are essential to detect threats early, reduce risk, and protect operations. This course offers:

A practical, Python-based curriculum tailored for real-world applicationsStep-by-step project-based learning guided by an instructor with an MPhil from the University of Oxford and a PhD from the University of CambridgeA rare combination of AI, deep learning, and GenAI in a single courseUse of cutting-edge LLM frameworks like OpenAI, LangChain, and LLAMA-Index to expand beyond numerical anomaly detection into text-based threat detectionLifetime access, updates, and instructor support

Programme

• Introduction à l'IA pour la surveillance des activités suspectes
Aperçu des objectifs du cours
Introduction aux systèmes de détection d'anomalies
Importance de l'IA dans la cybersécurité et la prévention de la fraude
• Bases de la détection d'anomalies
Techniques de détection des valeurs aberrantes statistiques
Approches basées sur le clustering
Introduction à l'apprentissage automatique auto-supervisé
• Apprentissage automatique auto-supervisé
Comprendre les autoencodeurs
Mise en œuvre des autoencodeurs en Python
Études de cas : Détection d'anomalies avec les autoencodeurs
• Frameworks de deep learning
Introduction à Keras pour le deep learning
Exploration de H2O pour les solutions d'IA
Exercices pratiques avec Keras et H2O
• GenAI et grands modèles de langage (LLM)
Aperçu des concepts d'IA générative
Utilisation de GPT d'OpenAI pour la surveillance
Frameworks : LangChain et LLAMA-Index
Surveillance de l'activité générée par l'homme
• Détection de fraude et de cybermenaces
Applications de l'IA en finance, cybersécurité et e-commerce
Outils pour la détection des menaces
Création de systèmes de surveillance intelligents
• Mise en œuvre de l'IA dans le cloud
Mise en place de pipelines d'IA évolutifs
Utilisation de Google Colab pour la surveillance en temps réel
Techniques de traitement par lots
• Analyse de texte pour les activités suspectes
Techniques de traitement du langage naturel (NLP)
Extraction de texte, reconnaissance d'entités et résumés
Automatisation des pistes d'audit et signalement des risques
• Projets finals et études de cas
Conception et mise en œuvre d'un système de surveillance
Étude de cas : Application dans le domaine financier
Étude de cas : Application dans le domaine de la cybersécurité
• Conclusion du cours
Récapitulatif des apprentissages clés
Tendances futures de l'IA pour la surveillance
Parcours professionnels et opportunités en IA
• Ressources supplémentaires et support
Accès à vie aux matériels du cours et mises à jour
Support instructeur et interaction communautaire
Lectures et pratiques supplémentaires sur les sujets d'IA

---

Enseigné par

Minerva Singh

---

Matières

Data Science