Visión general
De qué trata este proyecto.
Recibirás 80.000 solicitudes históricas (12 meses) con features tabulares + etiquetas de impago a 90 días. Implementarás un modelo bayesiano (por ejemplo, regresión logística bayesiana o un gradient boosting con cuantificación de incertidumbre tipo NGBoost o conformal prediction) y compararás contra el baseline XGBoost actual en (1) AUROC, (2) calibración (expected calibration error, ECE), (3) cobertura de los intervalos de predicción al 90% y (4) utilidad económica simulada bajo distintas políticas de derivación. El éxito es mejorar la utilidad económica simulada en al menos un 8% sin perder AUROC.
El Briefing
Lo que harás y lo que demostrarás.
Construir un modelo de scoring con cuantificación de incertidumbre que mejore la utilidad económica del comité de riesgos sin sacrificar AUROC.
Earning criteria — what you'll demonstrate
- Aplicar métodos bayesianos o de conformal prediction a un problema real de scoring
- Evaluar modelos por calibración y cobertura, no solo por AUROC
- Diseñar políticas de decisión sensibles a la incertidumbre y simular su impacto
- Comunicar incertidumbre a un comité no estadístico
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
Modelar incertidumbre y traducirla en políticas de decisión es el día a día de quien ejerce de Data Scientist en riesgo de crédito o pricing dinámico.
Este proyecto afina
- bayesian-learning
- uncertainty-quantification
- decision-theory
Applied AI Scientist
Justificar la elección de método ante un comité y simular el impacto económico es la práctica esperada de una persona Applied AI Scientist en fintech.
Este proyecto afina
- conformal-prediction
- model-calibration
- decision-theory
Machine Learning Engineer
Empaquetar el flujo de cuantificación de incertidumbre como código reproducible y monitorizable es trabajo MLE típico en plataformas de scoring.
Este proyecto afina
- python
- model-calibration
- uncertainty-quantification