🚀 Optimización del Riesgo Crediticio con Machine Learning скачать в хорошем качестве

🚀 Optimización del Riesgo Crediticio con Machine Learning

Conocé el trabajo final de Facundo José Negrelli, egresado de la Diplomatura en Ciencia de Datos con R y Python del Instituto Data Science y UTN-FRRQ. 🔍 ¿Cuál era el desafío? Una entidad bancaria enfrentaba serias pérdidas por la alta tasa de impago de sus préstamos. ¿La solución? Aplicar modelos de machine learning para transformar su estrategia crediticia. 🤖 ¿Qué hizo Facundo? Desarrolló y comparó modelos basados en árboles de decisión —Rpart, Party y XGBoost— para predecir la probabilidad de impago y maximizar las ganancias del banco. 💡 ¿Qué logró? ✅ Aplicación de técnicas de imputación y balanceo de datos ✅ Validación cruzada y ajuste de hiperparámetros ✅ Selección de XGBoost como modelo óptimo ✅ Proyección de más de $2.9 millones de ganancia real 📊 Este proyecto no solo demuestra conocimientos técnicos avanzados, sino también impacto económico real a partir del uso estratégico de la ciencia de datos. 🔗 Conocé más sobre la diplomatura en Ciencia de Datos con R y Python: 👉 https://institutodatascience.org/dipl...