Visión general
De qué trata este proyecto.
Entrena modelos de scoring para PYMEs con 180.000 registros y compáralos. Recibe un certificado verificable.
El Briefing
Lo que harás y lo que demostrarás.
Construir un modelo de probabilidad de impago a doce meses para PYMEs que supere al cuadro logístico vigente en Gini out-of-time sin degradar la explicabilidad mínima exigida.
Earning criteria — what you'll demonstrate
- Aplicar técnicas modernas de Machine Learning a un problema regulado de crédito
- Diseñar validaciones out-of-time que eviten fuga temporal de información
- Calibrar probabilidades y traducirlas a decisiones de admisión
- Comunicar limitaciones del modelo a un comité no técnico de validación
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
AI and Quantitative Finance
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 canónicosCientífico de Datos Aplicado a IA
Combinar validación rigurosa, calibración y memoria de modelo para un comité interno es exactamente el trabajo de un científico aplicado dentro del área de modelos de un banco.
Este proyecto afina
- credit-risk-modeling
- model-validation
- model-explainability
Científico de Datos
El recorrido completo desde datos crudos hasta un modelo evaluado honestamente con explicabilidad es la base del músculo diario de un Data Scientist en banca o fintech.
Este proyecto afina
- feature-engineering
- gradient-boosting
- model-validation
Ingeniero de Machine Learning
Productivizar el notebook sería el siguiente paso natural; el pipeline reproducible y el plan de monitorización son los artefactos que un MLE entrega al equipo de riesgo de modelo.
Este proyecto afina
- python
- gradient-boosting
- model-validation