Curso
Agentes vs GPTs dentro de la interfaz de ChatGPT
Principiante
42 min.
Domina las funcionalidades avanzadas de ChatGPT: Custom GPTs y Agentes. Aprende a crear, usar y diferenciar estas potentes...
4.3
Herramientas de IA
Modelado de Machine Learning aplicado a banca
El machine learning aplicado a banca permite trabajar con datos históricos para identificar patrones asociados a posibles fraudes. La formación desarrolla dos proyectos prácticos, con tarjetas de crédito y pagos móviles, recorriendo carga y exploración de datos, preprocesado, entrenamiento de modelos predictivos y evaluación mediante métricas.
La metodología y plataforma de formación que se adapta al tamaño y ritmo de tu empresa.
Curso impartido por
Contenido de la formación
2 Secciones · 16 Lecciones ·
2 h. y 20 min.
en total
Caso Práctico 1 - Análisis predictivo de detección de fraude con tarjetas de crédito
Caso Práctico 2 - Análisis predictivo de detección de fraude en pagos móviles
Habilidades que obtendrás
- Explorar datasets relacionados con operaciones financieras.
- Preprocesar datos para modelos de detección de fraude.
- Dividir datos para entrenamiento y evaluación de modelos.
- Aplicar algoritmos predictivos de machine learning.
- Evaluar modelos mediante métricas de rendimiento.
- Modelar fraude asociado a tarjetas de crédito.
- Modelar fraude asociado a pagos móviles.
- Construir un flujo predictivo completo aplicado a banca.
Requisitos mínimos
Se requieren conocimientos básicos de Python, manejo de librerías de ciencia de datos como pandas, numpy y scikit-learn, comprensión de los fundamentos de estadística y experiencia con bases de datos SQL y NoSQL.
Por qué realizar este curso
Beneficios
- Facilita la aplicación práctica de machine learning en banca.
- Refuerza el tratamiento previo de datos antes del modelado.
- Permite comparar resultados mediante métricas de evaluación.
- Conecta distintas fases de un proyecto predictivo completo.
- Aporta práctica con dos escenarios distintos de fraude financiero.
- Mejora el criterio para evaluar modelos de detección de fraude.
Para quién
- Profesionales de datos interesados en casos aplicados al sector bancario.
- Perfiles técnicos con conocimientos básicos de Python.
- Usuarios familiarizados con pandas, numpy y scikit-learn.
- Profesionales con fundamentos de estadística aplicada a datos.
- Perfiles con experiencia básica en bases SQL y NoSQL.
- Analistas interesados en detección de fraude mediante machine learning.
- No está orientado a personas sin fundamentos de ciencia de datos.
Oportunidades profesionales
- Refuerza capacidades para proyectos de detección de fraude financiero.
- Puede resultar útil en análisis de transacciones con machine learning.
- Complementa perfiles de datos aplicados al sector bancario.
- Aporta práctica en proyectos predictivos con datos financieros.
- Puede resultar útil en iniciativas sobre fraude en medios de pago.
- Refuerza capacidades para evaluar modelos predictivos mediante métricas.
Valoración de nuestros alumnos
Completa tu formación con estos contenidos
Curso
Alfabetización IA: Conceptos clave en la Inteligencia Artificial
Principiante
58 min.
Sumérgete en los pilares de la Inteligencia Artificial. Entiende su funcionamiento, impacto en el día a día y...
4.1
Curso
Antigravity: monta un CRM en 10 pasos
Principiante
44 min.
Domina Antigravity y la IA para programar más rápido. Genera código, optimiza tu flujo de trabajo y da...
4
Curso
Apps dentro de la interfaz de ChatGPT
Principiante
31 min.
Aprende a crear y usar Custom GPTs en ChatGPT para automatizar tareas, personalizar tu asistente de IA y...
Preguntas frecuentes
Resuelve tus dudas o contacta con nosotros para más información.
La formación desarrolla dos proyectos: detección de posibles fraudes con tarjetas de crédito y detección de fraude en pagos móviles.
Se trabaja la carga y exploración inicial de los datos, su preprocesado, la división para entrenamiento, la aplicación de algoritmos predictivos y la evaluación mediante métricas.
Es fundamentalmente práctico. El contenido se organiza alrededor de dos proyectos completos construidos con datos históricos relacionados con banca y medios de pago.
Sí. Ambos proyectos incluyen una fase específica de evaluación de resultados y métricas después de aplicar los algoritmos predictivos.
No en el temario detallado. Aunque estas aplicaciones aparecen mencionadas en el apartado de habilidades de la ficha, las lecciones publicadas se centran exclusivamente en fraude con tarjetas y pagos móviles.
No parte desde cero. Requiere una base previa en Python, librerías de ciencia de datos, estadística y bases de datos para centrarse directamente en la aplicación práctica del modelado a casos bancarios.