Compara métodos kernel y boosting para clasificar fraude en pagos B2B
Visión general
De qué trata este proyecto.
Recibes 14 meses de transacciones anonimizadas con 1,2 % de fraude marcado. Construye un pipeline reproducible que (a) maneje el desbalance vía class_weight o SMOTE, (b) entrene los tres modelos con búsqueda de hiperparámetros razonable, (c) reporte PR-AUC (Precision-Recall AUC — área bajo la curva precisión-recall), recall@1 %-FP y matriz de coste a partir de un coste de revisión de 8 € por alerta y un coste de fraude no detectado de 240 € medio. Recomienda un modelo y umbral con justificación cuantitativa.
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.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosCientífico 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