semerciogluemre/financial-anomaly-detection

# 财务异常检测 ### 8. 启动 Streamlit 仪表板 ``` streamlit run dashboard/app.py ``` ## 技术栈 | 工具 | 角色 | |---|---| | **PyTorch** | LSTM 自动编码器架构和训练循环 | | **scikit-learn** | 隔离森林，评估指标，PCA，StandardScaler | | **SQLite + SQLAlchemy** | 特征存储 — 所有 7 个 SQL 特征工程查询 | | **pandas / numpy** | 数据操作，序列准备，分数处理 | | **SHAP** | 隔离森林的全局和局部归因的 TreeExplainer | | **MLflow** | 实验跟踪 — 每次运行的超参数、指标、工件 | | **Streamlit** | 分析师和利益相关者的交互式仪表板 | | **Plotly / Matplotlib** | PR 曲线，混淆矩阵，阈值分析，分布 | | **Git / GitHub** | 使用功能分支 → 开发 → 主工作流程的版本控制 |

标签：Apex, BSD, Git, Kubernetes, LSTM, MLflow, MLP, numpy, pandas, PR-AUC, PyTorch, ROC-AUC, scikit-learn, SHAP, SQL, Streamlit, XGBoost, 交互式仪表盘, 凭据扫描, 安全可观测性, 实验跟踪, 局部离群因子, 异常检测, 数据挖掘, 数据科学, 机器学习, 模型评估, 版本控制, 特征工程, 系统审计, 自编码器, 访问控制, 资源验证, 逆向工具, 金融风控, 隔离森林