Compara métodos kernel y boosting para clasificar fraude en pagos B2B
Visión general
De qué trata este proyecto.
Compara kernel y boosting para clasificar fraude B2B con datos desbalanceados. Optimiza umbrales por coste y obtén un certificado verificable.
El escenario
La fintech (Serie A, ~60 personas) compite por volumen pyme; cada punto de recall a falsos positivos constantes evita ~14.000 €/mes en pérdidas directas.
El Briefing
Lo que harás y lo que demostrarás.
Comparar SVM, random forest y gradient boosting en detección de fraude B2B y recomendar un modelo + umbral con justificación económica.
Earning criteria — what you'll demonstrate
- Comparar familias de modelos con métricas adecuadas a desbalance
- Aplicar aprendizaje sensible al coste para alinear modelo y negocio
- Razonar sobre kernels vs ensembles en datos tabulares medianos
- Comunicar trade-offs coste-recall a un comité de riesgo
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Machine Learning
Master · Machine Learning
Strong alignment
This challenge maps to Machine Learning 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.
- Kernel Methods
Apply kernel methods to solve real industry problems and demonstrate production-level capability.
- Ensemble Methods
Apply ensemble methods 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.
- Class Imbalance
Apply class imbalance to solve real industry problems and demonstrate production-level capability.
- Cost Sensitive Learning
Apply cost sensitive learning 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.
Científico de Datos
Detección de fraude con métricas centradas en coste es el trabajo diario de quien hace data science en fintech B2B.
Este proyecto afina
- ensemble-methods
- class-imbalance
- cost-sensitive-learning
Ingeniero/a de Machine Learning
Comparar familias y empaquetar un pipeline reproducible es el primer paso antes de productivizarlo en MLOps.
Este proyecto afina
- ensemble-methods
- kernel-methods
- model-evaluation
Investigador/a de Seguridad en IA
Razonar sobre falsos positivos y coste del error es la base para abordar riesgos de modelos en pre-producción.
Este proyecto afina
- model-evaluation
- cost-sensitive-learning
- class-imbalance