Implementa regularización y selección de modelos en predicción de churn telco
Visión general
De qué trata este proyecto.
Optimiza regularización y selección de features con nested CV en 850k registros de churn. Reporta AUC-ROC y obtén tu certificado verificable
El Briefing
Lo que harás y lo que demostrarás.
Comparar L1, L2 y ElasticNet con nested CV y elegir el modelo y set de features para churn móvil.
Earning criteria — what you'll demonstrate
- Implementar nested CV correctamente para evitar fugas en la selección
- Distinguir L1, L2 y ElasticNet en su comportamiento sobre features
- Reportar incertidumbre del rendimiento con bootstrap
- Comunicar decisiones de selección de modelo a stakeholders no técnicos
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
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/a de Machine Learning
Implementar nested CV con regularización y entregar un modelo defendible es justo lo que se espera en una primera tarea de MLE en producto.
Este proyecto afina
- regularization
- nested-cross-validation
- model-selection
Investigador/a de Machine Learning
El rigor en nested CV y el reporte con bootstrap es la columna vertebral metodológica del rol de investigación.
Este proyecto afina
- nested-cross-validation
- regularization
- model-selection
Científico de Datos
Comparar regularizadores y comunicar la decisión a retención es habilidad central de data science en operaciones.
Este proyecto afina
- logistic-regression
- feature-selection
- model-selection