Visión general
De qué trata este proyecto.
Compara tres modelos de detección de fraude en transacciones de una fintech y optimiza el threshold. Obtén un certificado verificable.
El escenario
La fintech procesa unas 200.000 transacciones diarias y cada falso bloqueo cuesta entre 8 y 15 USD en soporte y churn; el fraude promedio capturado es de 180 USD, así que la frontera coste correcta no es 0,5 sino sustancialmente más baja.
El Briefing
Lo que harás y lo que demostrarás.
Construye un detector de fraude que reduzca falsos positivos 40 por ciento manteniendo recall sobre fraude en 85 por ciento, optimizado sobre coste real.
Earning criteria — what you'll demonstrate
- Aplicar y comparar anomaly detection no supervisado vs supervisado sobre datos desbalanceados
- Optimizar threshold sobre función de coste asimétrica de negocio
- Construir features temporales y de agregación a nivel cliente y comerciante
- Comunicar trade-offs precision/recall a un comité de riesgo
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Data Mining and Knowledge Discovery
Master · Data Engineering
Strong alignment
This challenge maps to Data Mining and Knowledge Discovery at the Master level. It sharpens the same practical skills your coursework expects — but in a real industry context with actual constraints and deliverables.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
- Anomaly Detection
Apply anomaly detection to solve real industry problems and demonstrate production-level capability.
- Xgboost
Apply xgboost to solve real industry problems and demonstrate production-level capability.
- Fraud Detection
Apply fraud detection to solve real industry problems and demonstrate production-level capability.
- Evaluation
Apply evaluation to solve real industry problems and demonstrate production-level capability.
- Feature Engineering
Apply feature engineering to solve real industry problems and demonstrate production-level capability.
- Cost Sensitive Learning
Apply cost sensitive learning to solve real industry problems and demonstrate production-level capability.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Científico de Datos
Fraud detection con datos desbalanceados es un proyecto de portfolio fuerte que aparece en casi toda entrevista de DS en fintech.
Este proyecto afina
- anomaly-detection
- xgboost
- fraud-detection
Ingeniero de Aprendizaje Automático
Empaquetar el modelo en una API y diseñar el plan de monitoreo es el rol del MLE de fraude en cualquier fintech de tamaño medio.
Este proyecto afina
- xgboost
- evaluation
- feature-engineering
Científico Aplicado de IA
Optimizar sobre coste asimétrico real y defender el threshold ante un comité de riesgo es la habilidad central del applied AI scientist en banca y fintech.
Este proyecto afina
- cost-sensitive-learning
- evaluation
- anomaly-detection