E-ticaret platformlarının hızlı büyümesiyle birlikte, kullanıcı davranışları ve işlem kayıtları üzerinden ortaya çıkabilen anormal durumların tespiti, güvenlik ve operasyonel verimlilik açısından kritik bir gereksinim hâline gelmiştir. Bu çalışmada, e-ticaret sistemlerinde anomali tespiti amacıyla farklı derin öğrenme ve makine öğrenmesi tabanlı yaklaşımlar karşılaştırmalı olarak incelenmiştir. Çalışmada kullanılan veri seti, Kaggle platformundan elde edilen ve 17.049 gözlem ile 18 değişkenden oluşan gerçekçi bir e-ticaret veri tabanıdır. Veri seti; müşteri demografik bilgileri, sipariş detayları, ödeme yöntemleri, teslimat süresi, web sitesi etkileşimleri ve müşteri memnuniyeti gibi hem davranışsal hem de işlemsel nitelikte özellikler içermektedir. Araştırma kapsamında Autoencoder, LSTM-Autoencoder, Deep Support Vector Data Description (Deep SVDD), GAN tabanlı yeniden yapılandırma yaklaşımı (GAR-AD) ve Isolation Forest olmak üzere beş farklı anomali tespit yöntemi uygulanmıştır. Modeller, AUROC, AUPRC, en iyi F1 skoru ve operasyonel senaryoları yansıtmak amacıyla Top-K (Top %1, %5 ve %10) metrikleri üzerinden değerlendirilmiştir. Deneysel sonuçlar, Autoencoder modelinin yüksek ayrıştırma gücü sağladığını; GAN tabanlı GAR-AD yaklaşımının ise AUPRC ve Best-F1 metrikleri açısından daha dengeli ve tutarlı bir performans sunduğunu göstermektedir. Top-K analizleri, özellikle GAR-AD modelinin sınırlı inceleme kapasitesi senaryolarında yüksek doğruluk ve lift değerleri ürettiğini ortaya koymuştur.