Inferencia bayesiana para tasas de impago en fintech
Visión general
De qué trata este proyecto.
Recibes ~6.500 préstamos clasificados en 24 segmentos (combinaciones de ciudad, sector y monto) con etiqueta de default a 60 días. Modela las tasas con una jerarquía Beta-Binomial: una distribución de población sobre las tasas y una observación binomial por segmento. Implementa con MCMC (Markov Chain Monte Carlo — Cadena de Markov Monte Carlo) en PyMC y diagnostica convergencia con R-hat y ESS (Effective Sample Size — tamaño efectivo de muestra). Entrega un dashboard que muestre la posterior por segmento e incluya un comparador con la simple estimación por máxima verosimilitud (proporción muestral). Éxito = R-hat < 1,01 para todos los parámetros, segmentos pequeños mostrando shrinkage hacia la media poblacional y dashboard utilizable por riesgo.
El Briefing
Lo que harás y lo que demostrarás.
Estimar tasas de impago por segmento con un modelo bayesiano jerárquico que comparta información entre segmentos pequeños y comunique incertidumbre.
Earning criteria — what you'll demonstrate
- Construir un modelo jerárquico bayesiano y entender el efecto de shrinkage
- Ejecutar MCMC y diagnosticar convergencia (R-hat, ESS, trace plots)
- Cuantificar incertidumbre y comunicarla con intervalos creíbles
- Justificar elección de priors y analizar sensibilidad
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 canónicosCientífico/a de Datos
Modelado jerárquico bayesiano con MCMC y comunicación a riesgo es competencia central de data scientists en fintech y aseguradoras donde los segmentos chicos importan.
Este proyecto afina
- bayesian-inference
- hierarchical-models
- uncertainty-quantification
Investigador/a de Machine Learning
Dominar PyMC, NUTS y análisis de sensibilidad de priors es el toolkit del ML researcher en empresas con prácticas bayesianas serias.
Este proyecto afina
- mcmc
- bayesian-inference
- model-evaluation
Científico/a Aplicado/a de IA
Convertir un modelo bayesiano en una herramienta interactiva que un equipo no técnico usa para tomar decisiones es exactamente el trabajo de un applied AI scientist.
Este proyecto afina
- bayesian-inference
- python
- uncertainty-quantification