Detecta anomalías en transacciones de tarjeta para una procesadora chilena
Visión general
De qué trata este proyecto.
Procesa 4 millones de transacciones, entrena Isolation Forest y un Autoencoder, evalúa con precision@k y entrega tu recomendación. Obtén un certificado verificable.
El Briefing
Lo que harás y lo que demostrarás.
Detectar anomalías en transacciones con 3 enfoques no supervisados y recomendar despliegue con análisis de falsos positivos por segmento.
Earning criteria — what you'll demonstrate
- Aplicar detección de anomalías cuando las etiquetas son escasas
- Comparar enfoques clásicos vs deep learning con criterios honestos
- Calibrar umbral según coste operativo (falso positivo vs falso negativo)
- Comunicar resultados con métricas que el negocio entiende
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Machine Learning (CS Elective)
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 canónicosCientífica de Datos
Un proyecto de detección de fraude con 3 enfoques comparados y análisis operativo de falsos positivos es justo el portafolio que las procesadoras de pago, bancos y aseguradoras piden a su próxima data scientist.
Este proyecto afina
- unsupervised-learning
- anomaly-detection
- model-evaluation
Ingeniera de Machine Learning
Las MLE que dominan tanto enfoques clásicos como deep learning para detección de anomalías toman mejores decisiones de despliegue.
Este proyecto afina
- deep-learning
- feature-engineering
- python-programming
Analista de Riesgo / Fraude
Las analistas de fraude que entienden los modelos por dentro proponen mejoras operativas y reducen falsos positivos sin esperar al equipo técnico.
Este proyecto afina
- anomaly-detection
- model-evaluation
- python-programming