Visión general
De qué trata este proyecto.
Tendrás 28.000 registros estudiantiles de 3 cohortes históricas. Diseñarás un stacking de 3 modelos base (uno por familia de features: académicos, comportamentales, socioeconómicos) y un meta-learner. Evaluarás (1) AUROC, (2) precisión en el top decil (los estudiantes con mayor riesgo), (3) fairness por sede y por nivel socioeconómico (paridad demográfica y equalized odds) y (4) explicaciones SHAP útiles para tutores. El éxito es AUROC por encima del baseline single-model y diferencia de equalized odds por debajo de 0,08 entre grupos.
El Briefing
Lo que harás y lo que demostrarás.
Predecir abandono al primer semestre con un ensemble jerárquico, manteniendo equidad entre sedes y produciendo explicaciones por estudiante.
Earning criteria — what you'll demonstrate
- Diseñar ensembles jerárquicos motivados por la estructura del dominio
- Aplicar métricas de equidad reales (paridad demográfica, equalized odds) sobre subgrupos
- Comunicar predicciones individuales con SHAP a una audiencia no técnica
- Definir métricas operativas (top-decile precision) coherentes con la decisión real
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
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 canónicosData Scientist
Combinar modelado, equidad y explicaciones operativas es el día a día de quien ejerce de Data Scientist en educación o en cualquier dominio de alto impacto humano.
Este proyecto afina
- ensemble-methods
- model-fairness
- shap-explanations
Machine Learning Engineer
Empaquetar el modelo en un dashboard usable por tutoría implica el oficio MLE de servir predicciones con la información que el negocio necesita.
Este proyecto afina
- stacking
- python
- feature-engineering
Investigador en Seguridad de IA
Auditar diferencias por subgrupo y proponer mitigaciones es trabajo directo de una persona AI Safety Researcher aplicada a sistemas con impacto en derechos.
Este proyecto afina
- model-fairness
- shap-explanations
- ensemble-methods