Методы машинного обучения и глубокого обучения (DL) показали многообещающие результаты в обнаружении мошеннических действий. В этой диссертации мы предлагаем подходы к обнаружению мошенничества с кредитными картами, которые сочетают в себе контролируемые и неконтролируемые методы обучения. Мы применяем методы проектирования функций для извлечения соответствующих функций из набора данных транзакций по кредитным картам, а затем модели обнаружения аномалий, которые сочетают в себе методы контролируемого ML, полуконтролируемого ML и DL. Мы анализируем набор данных, используя различные параметры и методы. Наше исследование различных методов ML и DL для обнаружения мошеннических транзакций искусственные нейронные сети (ANN), сверточные нейронные сети (CNN), линейная регрессия с автоэнкодером, логистическая регрессия с недостаточной выборкой данных, достижения наивного Байеса, достижения SVC, изоляционный лес и локальный фактор выбросов. Мы оцениваем наш подход на реальном наборе данных о тран&