Techniken des maschinellen Lernens und des Deep Learning (DL) haben vielversprechende Ergebnisse bei der Erkennung betrügerischer Aktivitäten gezeigt. In dieser Arbeit schlagen wir Ansätze zur Erkennung von Kreditkartenbetrug vor, die überwachte und nicht überwachte Lerntechniken kombinieren. Wir wenden Feature-Engineering-Techniken an, um relevante Merkmale aus dem Datensatz für Kreditkartentransaktionen zu extrahieren, gefolgt von Modellen zur Erkennung von Anomalien, die überwachte ML-, semi-supervised ML- und DL-Techniken kombinieren. Wir analysieren den Datensatz mit verschiedenen Parametern und Methoden. Unsere Studie über verschiedene ML- und DL-Methoden zur Erkennung betrügerischer Transaktionen umfasst künstliche neuronale Netze (ANN), XGBoost, CatBoost, Adaboost, Gradient Boosting, Random Forest, Entscheidungsbaum, K-Means Clustering, LightBGM, logistische Regression, logistische Regression mit unterabgetasteten Daten, Naive Bayes achieves, SVC achieves, Isolation Forest und Local Outlier Factor. Wir evaluieren unseren Ansatz anhand eines realen Kreditkarten-Transaktionsdatensatzes namens Creditcard.csv aus dem Kaggle-Datensatz.