Visión general
De qué trata este proyecto.
Diseña features, entrena dos modelos y simula el impacto económico en pagos B2B. Obtén un certificado verificable.
El Briefing
Lo que harás y lo que demostrarás.
Reducir el fraude transaccional desde 0,42 por ciento hasta menos del 0,20 por ciento sin elevar la tasa de bloqueo de transacciones legítimas por encima del 0,9 por ciento.
Earning criteria — what you'll demonstrate
- Diseñar features comportamentales para fraude en pagos B2B
- Entrenar y calibrar modelos sobre clases muy desbalanceadas
- Elegir operating point con criterio económico, no técnico
- Componer reglas + modelo con SLOs de latencia diferenciados
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Data Mining and Information Retrieval
Master · Cs Se
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/a de Aprendizaje Automático
Resolver fraude en pagos B2B con métricas honestas y operating point económicamente justificado es exactamente la prueba que validan equipos ML en fintech regional.
Este proyecto afina
- fraud-detection
- gradient-boosting
- imbalanced-classification
Ingeniero/a de Datos
Quien construye pipelines de features con calidad demostrable encaja en cualquier equipo de riesgo serio en banca o procesamiento de pagos.
Este proyecto afina
- feature-engineering
- data-mining
- model-evaluation
Ingeniero/a Backend
Las personas backend que entienden trade-offs de latencia entre reglas y modelos arman la columna vertebral de servicios antifraude con SLOs reales.
Este proyecto afina
- fraud-detection
- model-evaluation
- feature-engineering