Visión general
De qué trata este proyecto.
En equipo de 2, recibes ~12M transacciones (28 features tabulares + texto corto del concepto), de las cuales 850 están etiquetadas como fraude por investigación post-hoc. Entrena un VAE sobre las transacciones legítimas, usa la log-likelihood reconstruida como score de anomalía y produce una lista top-N para revisión. Compara contra Isolation Forest y un autoencoder denso (no variacional). Éxito = Precision@500 >= 0,25 (al menos 125 fraudes reales entre los 500 más sospechosos), pipeline batch reproducible y memo describiendo límites del método.
El Briefing
Lo que harás y lo que demostrarás.
Detectar transacciones anómalas con un VAE entrenado sobre comportamiento normal, superando a Isolation Forest en Precision@500.
Earning criteria — what you'll demonstrate
- Comprender el VAE como inferencia variacional sobre variables latentes
- Aplicar el ELBO (Evidence Lower Bound — cota inferior de evidencia) como objetivo de entrenamiento
- Diseñar y evaluar un detector de anomalías con métricas top-N
- Comparar honestamente con líneas base no profundas
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 canónicosIngeniero/a de Machine Learning
Entrenar un modelo generativo y empaquetarlo como pipeline batch para risk-engineering es trabajo cotidiano de un MLE en fintech.
Este proyecto afina
- variational-autoencoders
- deep-learning
- python
Científico/a Aplicado/a de IA
Diseñar un detector probabilístico con métricas operativas claras y comunicar sus límites es exactamente el día a día de un applied AI scientist.
Este proyecto afina
- anomaly-detection
- model-evaluation
- uncertainty-quantification
Científico/a de Datos
Comparar enfoques deep y clásicos en un caso de negocio real bajo restricción de capacidad humana de revisión es competencia central del data scientist en fintech.
Este proyecto afina
- anomaly-detection
- model-evaluation
- deep-learning