Aprende estructura causal en una red de riesgo fintech
Visión general
De qué trata este proyecto.
Compara PC y NOTEARS con bootstrap en 38.000 solicitudes fintech, valida arcos y simula intervenciones causales. Obtén un certificado verificable.
El escenario
La fintech (Serie A, ~45 personas, ~80M EUR financiados año pasado) opera en un entorno regulatorio creciente donde el BCE (Banco Central Europeo) exige explicabilidad para modelos de crédito, y un primer paso causal le da ventaja narrativa frente a fintechs basadas solo en gradient boosting.
El Briefing
Lo que harás y lo que demostrarás.
Aprender una estructura causal estable a partir de datos de onboarding y validarla suficientemente para sostener una conversación con riesgo y regulador.
Earning criteria — what you'll demonstrate
- Distinguir asociación de causalidad y aplicar criterios formales (d-separación)
- Ejecutar y comparar algoritmos de aprendizaje de estructura (PC, NOTEARS)
- Medir estabilidad de la estructura con bootstrap
- Estimar efectos causales con el operador do() bajo supuestos explícitos
- Comunicar limitaciones de un modelo causal a un público no técnico
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Probabilistic Graphical Models
Master · Machine Learning
Strong alignment
This challenge maps to Probabilistic Graphical Models at the Master level. It sharpens the same practical skills your coursework expects — but in a real industry context with actual constraints and deliverables.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
- Bayesian Networks
Apply bayesian networks to solve real industry problems and demonstrate production-level capability.
- Structure Learning
Apply structure learning to solve real industry problems and demonstrate production-level capability.
- Causal Inference
Apply causal inference to solve real industry problems and demonstrate production-level capability.
- Probabilistic Inference
Apply probabilistic inference to solve real industry problems and demonstrate production-level capability.
- Model Evaluation
Apply model evaluation to solve real industry problems and demonstrate production-level capability.
- Python
Write clean, efficient Python for data processing, automation, and backend services.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Investigador/a de Machine Learning
Aprender estructura causal con doble algoritmo, validarla con bootstrap y defenderla ante un regulador es trabajo nuclear de un ML researcher en fintech y healthcare.
Este proyecto afina
- structure-learning
- causal-inference
- bayesian-networks
Científico/a de Investigación
La disciplina de comparar algoritmos, cuantificar estabilidad y publicar un memo metodológicamente sólido emula el rigor de un research scientist junior.
Este proyecto afina
- causal-inference
- structure-learning
- model-evaluation
Científico/a Aplicado/a de IA
Convertir un análisis causal en una recomendación de política accionable y defendible ante riesgo es exactamente lo que aporta un applied AI scientist en fintech.
Este proyecto afina
- causal-inference
- probabilistic-inference
- model-evaluation
Científico/a de Datos
Manejar 38k solicitudes, validar contra conocimiento experto y producir tanto evidencia técnica como memo de negocio es el día a día de un senior data scientist en una fintech regulada.
Este proyecto afina
- bayesian-networks
- python
- model-evaluation