Etudiant : EL-OUARDI YOUSSEF

Filière : Master Big Data Analytics & Smart Systems (BDSaS)

Encadrant : Pr. ZINEDINE AHMED

Annèe : 2025

Résumé : La prédiction des événements rares constitue un défi crucial dans de nombreux domaines où la détection de situations critiques peu fréquentes, telles que les fraudes financières, peut conduire à des conséquences indésirables majeures. Ce travail dans le cadre de cette probléma tique conssite à exploiter les techniques et les méthodes de machine learning et du deep learning, pour la détection automatique des fraudes bancaires à partir de données massives et fortement déséquilibrées. Divers algorithmes supervisés et non supervisés ont été expérimentés, en tenant compte des techniques d’échantillonnage les plus adaptées afin d’améliorer la représentation de la classe minoritaire. L’étude a abouti à la mise en place d’un modèle hybride optimisé, combi nant les prédictions de Random Forest, XGBoost et MLP à travers une approche de stacking, avec optimisation automatique des hyperparamètres et ajustement dynamique du seuil de clas sification pour maximiser le F1-score. Ce modèle final a atteint des performances remarquables, avec une précision de 95.64%, un rappel de 87.02%, un F1-score de 91.13% et une AUC-ROC de 0.9972, démontrant ainsi son efficacité pour identifier les transactions frauduleuses tout en limitant les fausses alertes.