Modela un grafo de transacciones para detectar fraude en banca
Visión general
De qué trata este proyecto.
Construye un grafo bipartito de transacciones bancarias, entrena un modelo GNN y compáralo con XGBoost para detectar fraude. Obtén un certificado verificable.
El Briefing
Lo que harás y lo que demostrarás.
Evaluar si un modelo basado en grafos mejora la detección de fraude transaccional sobre el tabular existente con beneficio operativo neto.
Earning criteria — what you'll demonstrate
- Modelar dominios transaccionales como grafos heterogéneos temporales
- Entrenar GNNs sobre datos masivos con sampling apropiado
- Comparar tabular vs. grafo en una métrica operativa, no académica
- Defender resultados ante un comité de modelos bancario
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Knowledge Graphs and Semantic Web
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 canónicosIngeniera de Aprendizaje Automático
Entrenar y desplegar GNNs sobre transacciones reales a esta escala es exactamente el portafolio que la banca busca en sus ML engineers de risk.
Este proyecto afina
- graph-neural-networks
- pytorch
- fraud-detection
Científica de Datos
Comparar tabular vs. grafo bajo métricas operativas y defender a un comité es el día a día de una data scientist en fraude.
Este proyecto afina
- fraud-detection
- evaluation
- experiment-design
Ingeniera de Investigación Aplicada en IA
Trabajo aplicado de evaluación honesta de un método novedoso con justificación operativa es el perfil de applied AI scientist en risk.
Este proyecto afina
- graph-neural-networks
- evaluation
- knowledge-graphs