Curso libreInteligencia artificial y datos
Detección de fraude transaccional con aprendizaje automático
El curso Detección de fraude transaccional con aprendizaje automático proporciona al estudiante las técnicas para construir modelos que detecten transacciones fraudulentas en pagos y tarjetas, con variables de comportamiento, manejo de clases desbalanceadas, umbrales definidos por costo y explicación de cada alerta con SHAP para los equipos de análisis.
A quién va dirigido
Analistas de datos, riesgo y seguridad con conocimientos de Python, pandas y fundamentos de clasificación.
Objetivos
✓Comprender las tipologías de fraude transaccional y el costo de los falsos positivos y falsos negativos.
✓Analizar el comportamiento transaccional con variables de velocidad, monto relativo y geografía por ventana de tiempo.
✓Aplicar regresión logística, XGBoost, SMOTE, pesos de clase e Isolation Forest con validación temporal sin fuga.
✓Diseñar un esquema de puntuación en tiempo real con reglas complementarias, monitoreo de deriva y umbral por costo.
✓Evaluar modelos con curva precisión-exhaustividad y AUC-PR y explicar alertas con SHAP ante los requisitos del SARLAFT.
Plan de estudios por sesión
1
El problema del fraude transaccionalSuplantación, toma de cuenta, fraude de comercio y reglas frente a modelos · Conjunto público de transacciones con tarjeta y costo de errores
2
Variables y desbalance de clasesVariables de velocidad, monto relativo, geografía y validación temporal · Submuestreo, SMOTE, pesos de clase e Isolation Forest
3
Modelado y evaluaciónRegresión logística, XGBoost, curva precisión-exhaustividad y AUC-PR · Selección del umbral por costo y explicabilidad con SHAP
4
Presentación del modelo de detección de fraudePuntuación en tiempo real, reglas complementarias y monitoreo de deriva · Obligaciones de reporte y SARLAFT en entidades vigiladas
Evaluación
Inicial30%Análisis escrito de tipologías de fraude y comparación entre reglas de negocio y modelos sobre el conjunto público de tarjetas.
Intermedio30%Taller de variables de comportamiento, validación temporal y manejo del desbalance con submuestreo, SMOTE y pesos de clase.
Final40%Modelo de detección de fraude sobre datos públicos con umbral optimizado por costo y explicación de alertas con SHAP, sustentado.
Proyecto final
Modelo de detección de fraude sobre un conjunto de datos público con umbral optimizado por costo y explicación de alertas con SHAP.