🛡️ Detecção de Fraudes com Machine Learning

Este repositório reúne projetos e experimentos relacionados à detecção de fraudes usando técnicas de análise de dados, aprendizado de máquina e estatística. O foco principal é desenvolver soluções que consigam identificar padrões anômalos em cenários desbalanceados — comuns em fraudes financeiras, golpes online e detecção de comportamentos suspeitos.

---

🎯 Objetivos Gerais

• Explorar abordagens supervisionadas e não supervisionadas para detecção de fraudes
• Avaliar diferentes estratégias de tratamento de dados desbalanceados
• Construir e comparar modelos com métricas apropriadas (AUC, F1, Recall)
• Aplicar técnicas de visualização e engenharia de atributos para melhorar a interpretabilidade

---

⚙️ Tecnologias Utilizadas

• Python 3.x
• Pandas, NumPy
• Scikit-learn
• Imbalanced-learn
• Matplotlib / Seaborn / Plotly

---

📊 Métricas Relevantes

• Recall (Sensibilidade) — para minimizar falsos negativos
• F1-score — equilíbrio entre precisão e recall
• AUC-ROC / PR-AUC — avaliação global da separabilidade do modelo
• Matriz de Confusão — análise dos tipos de erro

---

📚 Referências

• Kaggle Datasets: https://www.kaggle.com/