Detección de Fraude en Pagos para una Pasarela Brasileña
Visión general
De qué trata este proyecto.
Crea un modelo contra fraude con 42 millones de transacciones, entrena XGBoost y maneja el desbalanceo para obtener un certificado verificable.
El Briefing
Lo que harás y lo que demostrarás.
Construir un modelo de fraude con precisión@10% superior al 65% y proponer un plan staged de despliegue con criterios cuantitativos de avance.
Earning criteria — what you'll demonstrate
- Modelar clasificación binaria con desbalanceo extremo
- Diseñar features de comportamiento desde datos transaccionales
- Evaluar con métricas operacionales (precisión@K, recall@K)
- Diseñar un despliegue staged con criterios objetivos
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Applied Machine Learning
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 Aprendizaje Automático
Modelado con desbalanceo extremo y despliegue staged es trabajo cotidiano del MLE en fintech de pagos.
Este proyecto afina
- fraud-detection
- imbalanced-classification
- model-evaluation
Ingeniero de MLOps
El plan staged con criterios cuantitativos de avance y rollback es exactamente el músculo del MLOps engineer en producción.
Este proyecto afina
- deployment-strategy
- model-evaluation
- python
Investigador en Seguridad de IA
Análisis de sesgos por segmento y tarjeta de modelo con limitaciones documentadas dan puente al rol de safety responsable.
Este proyecto afina
- fraud-detection
- model-evaluation
- feature-engineering