Aplicaciones de Machine Learning en Banca y Finanzas

INTRODUCCIÓN AL MACHINE LEARNING EN FINANZAS

• Qué es ML y cómo se diferencia de los modelos estadísticos tradicionales.
• Casos de uso por unidad de negocio (riesgo, crédito, marketing, compliance)

FUNDAMENTOS TÉCNICOS Y MÉTRICAS

• Tipos de aprendizaje (supervisado, no supervisado, reforzado).
• Métricas de evaluación (accuracy, precision, recall, ROC-AUC).
• Curvas de aprendizaje, overfitting y validación cruzada.

MODELOS SUPERVISADOS

• Algoritmos: regresión logística, árboles de decisión, random forest.
• Aplicaciones prácticas: scoring crediticio, predicción de impago.
• Taller práctico con dataset simulado.

MODELOS NO SUPERVISADOS

• Algoritmos: K-means, PCA, DBSCAN.
• Casos: segmentación de clientes, detección de anomalías.
• Visualización de clusters y explicaciones de resultados.

IMPLEMENTACIÓN EN LA INDUSTRIA BANCARIA

• Retos reales: calidad de datos, regulación, escalabilidad.
• Éxitos y fracasos en la implementación.
• Estrategias para adopción responsable.

ÉTICA, EXPLICABILIDAD Y RIESGOS DE SESGO

• Modelos explicables (SHAP, LIME).
• Fairness y riesgos algorítmicos.
• Consideraciones regulatorias (ej. México y Europa).