Detección de fraude de tarjeta para una fintech mexicana
Visión general
De qué trata este proyecto.
Entrena clasificadores contra fraude con 6M de transacciones, calibra probabilidades y propón dos puntos de operación. Obtén un certificado verificable.
El Briefing
Lo que harás y lo que demostrarás.
Entregar un modelo calibrado de detección de fraude y un plan de despliegue que mejore las reglas vigentes en captura o en tasa de falsos positivos.
Earning criteria — what you'll demonstrate
- Modelar problemas de clasificación con clases muy desbalanceadas
- Calibrar probabilidades y elegir puntos de operación con coste asimétrico
- Anticipar fallos en producción: drift de distribución y retraso de etiqueta
- Comunicar el trade-off captura/fricción a riesgo y producto
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
AI and Quantitative Finance
Master · Ai Ml
Fit score: 1
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 canónicosIngeniero de Machine Learning
Llevar un clasificador desde datos crudos hasta un plan de despliegue con monitorización es la columna vertebral del rol de MLE en cualquier fintech de pagos.
Este proyecto afina
- classification
- model-calibration
- model-monitoring
Científico de Datos
El trabajo de features sobre datos transaccionales, calibración y evaluación honesta es ejercicio puro de Data Scientist orientado a producto financiero.
Este proyecto afina
- feature-engineering
- classification
- imbalanced-data
Ingeniero MLOps
El plan de despliegue con monitorización de drift y rollback es exactamente lo que un MLOps Engineer construye y opera tras la primera puesta en producción.
Este proyecto afina
- model-monitoring
- python
- model-calibration