fa تشخیص تقلب مالی با استفاده از ابزارهای هوش مصنوعی تخصصي Special كاربردي Applicable <span style="font-size:11pt"><span style="line-height:normal"><span style="direction:rtl"><span style="unicode-bidi:embed"><span style="font-family:Calibri,sans-serif"><span lang="AR-SA" style="font-size:12.0pt"><span b="" style="font-family:" zar="">در سال‌های اخیر، افزایش حجم تراکنش‌های مالی الکترونیکی، احتمال وقوع تقلب را افزایش داده است. شناسایی این نوع تقلب‌ها با استفاده از روش‌های سنتی دشوار و زمان‌بر است؛ از این رو، استفاده از الگوریتم‌های هوش مصنوعی برای تشخیص تقلب در تراکنش‌های مالی اهمیت یافته است. در این پژوهش، یک مدل مبتنی بر شبکه‌های عصبی کانولوشن برای شناسایی تقلب در تراکنش‌های مالی ارایه شده است. داده‌های مورد استفاده شامل تراکنش‌های واقعی مالی است که از طریق پیش‌پردازش و تکنیک‌های یادگیری ماشین بهینه‌سازی شده‌اند. نتایج آزمایش‌ها نشان می‌دهد که روش پیشنهادی دقت بالایی در تشخیص تقلب داشته و در مقایسه با روش‌های سنتی عملکرد بهتری ارایه می‌دهد. این تحقیق نشان می‌دهد که استفاده از هوش مصنوعی می‌تواند به‌طور مؤثری در کاهش خسارات ناشی از تقلب‌های مالی موثر باشد</span></span><span dir="LTR" lang="EN-US" style="font-size:12.0pt"><span new="" roman="" style="font-family:" times="">.</span></span><span lang="FA" style="font-size:12.0pt"><span style="font-family:"B Zar""></span></span></span></span></span></span></span> <span style="font-size:11pt"><span style="line-height:normal"><span style="font-family:Calibri,sans-serif">Recent years have witnessed a significant surge in the volume of electronic financial transactions, consequently elevating the risk of fraudulent activities. Traditional methods for detecting such fraud are often laborious and time-intensive, underscoring the growing importance of leveraging artificial intelligence (AI) algorithms for financial transaction fraud detection. This research introduces a novel model employing Convolutional Neural Networks (CNN) specifically designed for identifying fraudulent financial transactions. The dataset comprises authentic financial transactions, meticulously optimized through advanced pre-processing and machine learning techniques. Experimental outcomes demonstrate that the proposed methodology achieves a high degree of accuracy in fraud detection, significantly outperforming conventional approaches. This study concludes that the integration of AI holds substantial promise for effectively mitigating financial losses stemming from fraudulent transactions.</span></span></span><br> &nbsp; تشخیص تقلب, هوش مصنوعی, شبکه عصبی کانولوشنی (CNN), تراکنش مالی. Fraud Detection, Artificial Intelligence (AI), Convolutional Neural Network (CNN), Financial Transaction. 0 0 http://jamlu.lahijan.iau.ir/browse.php?a_code=A-10-1380-6&slc_lang=fa&sid=1 M. Faridi Masouleh مرضیه فریدی ماسوله m.faridi@ahrar.ac.ir 100319475328460011859 100319475328460011859 Yes Ahrar Institute of Higher Education, Rasht, Iran موسسه آموزش عالی احرار رشت، رشت، ایران M. Yousefi Kenarsari محمد یوسفی کنارسری pyousefi19@gmail.com 100319475328460011860 100319475328460011860 No Ahrar Institute of Higher Education, Rasht, Iran موسسه آموزش عالی احرار رشت، رشت، ایران