Dada la intensidad técnica y el enfoque avanzado de la especialización, se requieren los siguientes conocimientos previos para asegurar el máximo aprovechamiento del programa:

1. Conocimientos Técnicos (Fundamentales):
Programación Básica en Python: Capacidad para leer y escribir scripts simples, manejo de estructuras de datos (listas, diccionarios) y familiaridad con librerías esenciales como Pandas (para manipulación de datos) y Numpy. Si no conoces Python, te recomendamos tomar un curso introductorio antes de inscribirte.

Estadística Descriptiva e Inferencial Básica: Comprensión clara de conceptos como media, mediana, desviación estándar, distribuciones de probabilidad, correlación y pruebas de hipótesis.

2. Conocimientos de Negocio (Recomendados):
Familiaridad con los conceptos básicos del ciclo de crédito (admisión, seguimiento, cobranza) y métricas de riesgo tradicionales.

3. Herramientas Obligatorias:
Acceso a una computadora con capacidad para instalar VS Code, Python y acceso a Internet para usar asistentes de IA.

Recomendado: Cuenta activa de ChatGPT Plus, GitHub Copilot o Cursor (la institución proveerá guías de instalación y configuración).

Esta especialización está diseñada para tres perfiles clave dentro del sector financiero, Fintechs y de consultoría en riesgos:
1. Analistas y Gerentes de Riesgo Tradicionales: Profesionales que trabajan en departamentos de riesgos bancarios, cajas municipales, microfinanzas o cooperativas, que actualmente usan herramientas como Excel, SAS o SPSS y necesitan realizar una transición rápida al desarrollo de Scorecards con Python y Machine Learning para mejorar el poder predictivo y precisión de sus carteras.

2. Data Scientists y Analistas de Datos buscando Especialización Financiera: Profesionales técnicos que dominan Python y algoritmos avanzados, pero que carecen de los fundamentos de negocio de riesgo de crédito, la metodología WOE/IV, y la necesidad regulatoria de la interpretabilidad (XAI) para validar modelos de «caja negra».

3. Líderes de TI y Transformación Digital: Profesionales responsables de la arquitectura de datos y la implementación de sistemas tecnológicos en banca, que necesitan comprender el flujo completo (Data Wrangling, Optimización, Calibración, Despliegue de APIs con FastAPI) para integrarlos eficientemente en los motores de decisión del banco

• El objetivo central es transformar a los profesionales del riesgo en AI-Risk Engineers, dotándolos de las capacidades tecnológicas y estratégicas necesarias para liderar la nueva era del Credit Scoring.
• Al finalizar la especialización, el participante habrá superado los métodos tradicionales (Regresión Logística estática) para dominar el desarrollo, interpretabilidad y despliegue de modelos de Machine Learning avanzados (como XGBoost), alineados a los estándares de cumplimiento regulatorio (como los de la SBS en Perú), utilizando la Inteligencia Artificial Generativa como un copiloto de codificación (AI-Assisted Coding) para multiplicar su productividad.

Nuestra metodología se basa en el principio de Aprender Haciendo Asistido por IA, maximizando el tiempo de interpretación estratégica y minimizando el tiempo perdido en sintaxis de código.

1. Enfoque Práctico End-to-End: El curso se desarrolla en torno a un Proyecto Capstone Único: la construcción de un sistema de scoring completo utilizando un dataset realista y anonimizado de la banca latinoamericana. Cada sesión avanza un módulo de este proyecto.
2. Copiloto de Codificación (AI-First): Se enseña y exige el uso de herramientas de IA Generativa (como Cursor, GitHub Copilot o ChatGPT Plus) durante todas las sesiones prácticas. Los alumnos aprenderán a redactar prompts efectivos para generar código boilerplate, limpiar datos masivos, realizar debugging complejo y documentar automáticamente sus modelos, permitiéndoles enfocarse 100% en la estrategia de riesgos y la interpretación de resultados.
3. Duelo de Modelos (Benchmark Real): No nos quedamos en la teoría. Los alumnos implementarán y compararán activamente un modelo de Regresión Logística (Estándar Regulatorio) contra modelos de ensamble avanzados (XGBoost/LightGBM), utilizando la librería Optuna para optimización automática de hiperparámetros asistida por IA.
4. Mentoría y Code Review Asistido: Las sesiones incluyen revisiones de código cruzadas entre pares y auditorías automatizadas por modelos LLM para asegurar la calidad y robustez del software bancario desarrollado.

Módulo 1: Fundamentos de Riesgo Crediticio, Estrategia y Datos

Esta fase establece el «por qué» antes del «cómo», alineándose a estándares internacionales y locales (SBS).

Sesión 1: El Negocio del Riesgo de Crédito

• Fundamentos: Ciclo de vida del crédito, tipos de riesgo (Crédito, Mercado, Operacional).
• Métricas financieras: Concepto de Pérdida Esperada (PE = PD x EAD x LGD) y Capital Económico.
• Analítica para riesgos: Por qué fallan los modelos tradicionales y el rol de la IA en la reducción de provisiones y aumento de la tasa de aprobación.

Sesión 2: Estrategia de Datos, Plataformas Tecnológicas y Modelo Operativo

• Estrategia de datos: Fuentes internas (comportamiento) vs. Externas (burós, SUNAT, redes sociales).
• Arquitectura tecnológica para riesgos.
• Modelo operativo: Roles y su organización.

Sesión 3: Segmentación y Definición de Target

• Definición de «Bad Customer» (días de mora, roll rates) y análisis de cosechas (Vintage Analysis).
• Muestreo: Over-sampling vs under-sampling (SMOTE).
• Laboratorio: Análisis de cohortes y Vintage Analysis asistido por IA.

Módulo 2: Ingeniería de Atributos y Procesamiento con Python

Enfoque en la preparación de datos de alta calidad asistida por codificación IA.

Sesión 4: Configuración del Entorno «AI-First»

• Setup de Python (VS Code + Cursor/Copilot).
• Estructura de un proyecto de scoring profesional.
• Laboratorio: Uso de IA para documentar y limpiar datasets bancarios con millones de registros.

Sesión 5: Data Wrangling y Análisis de Datos Bancarios

• Análisis estadístico descriptivo de los datos.
• Tratamiento profesional de outliers y valores nulos en carteras masivas.
• Segmentación de clientes y creación de variables derivadas (ratios de deuda, tendencias de consumo).
• Laboratorio: Creación de un script automático en Python para el data profiling.

Sesión 6: Feature Engineering Avanzado

• Metodología WOE/IV: Weight of Evidence e Information Value para selección de variables.
• Tratamiento de variables categóricas de alta cardinalidad (ubigeos, ocupaciones).
• Laboratorio: Creación de un script automático en Python para calcular el IV de 100+ variables en segundos.

Sesión 7: Selección de Variables Asistida por IA

• Reducción de dimensionalidad y detección de multicolinealidad (VIF).
• Pruebas de valor a través de análisis bivariados y regresiones.
• Laboratorio: Programación de un selector automático de variables usando prompts en Cursor/Copilot.

Módulo 3: Modelamiento Predictivo y Machine Learning

Competencia entre el rigor estadístico y la potencia de los algoritmos modernos.

Sesión 8: Regresión Logística (El Benchmark Regulatorio)

• Supuestos del modelo y estimación por máxima verosimilitud.
• Entrenamiento, interpretación de coeficientes, odds ratio y p-values.
• Validación de supuestos y bondad de ajuste.
• Laboratorio: Entrenamiento de un Logit robusto y validación de multicolinealidad (VIF).

Sesión 9: ML Algoritmos de Ensamble: XGBoost y LightGBM

• ¿Por qué los modelos de ensamble dominan el mercado?
• Manejo de hiperparámetros: Learning rate, depth y subsample.
• Laboratorio: Competencia de modelos: Logit vs. XGBoost usando la librería Optuna para optimización automática.

Sesión 10: Evaluación de Modelos (Métricas Bancarias)

• Curva ROC, Precision Recall, Gini, KS (Kolmogorov-Smirnov).
• Matrices de confusión y trade-off: tasa de aprobación vs. tasa de mora.
• Laboratorio: Creación de un dashboard de métricas con Plotly generado por prompts de IA.

Sesión 11: XAI (Explainable AI) e Interpretabilidad

• Valores SHAP y LIME para explicar decisiones individuales (por qué se rechazó un crédito).
• Eliminación de sesgos (fairness) en modelos de crédito.
• Cumplimiento regulatorio: Generación de «Adverse Action Codes».
• Laboratorio: Generación de gráficos de importancia de variables globales y locales.

Módulo 4: Gestión de la Operación del Modelo

Transformación del modelo en una herramienta de negocio ejecutable.

Sesión 12: Integración a la Gestión

• Escalamiento del score (puntos): Offset, Factor y PDO.
• Determinación del Cut-off (punto de corte) óptimo según rentabilidad.
• Laboratorio: Construcción de la tabla de puntajes final y su validación cruzada.

Sesión 13: Deployment y MLOps

• Serialización de modelos (Pickle/Joblib).
• Creación de una API con FastAPI para consultas en tiempo real.
• Puntuación batch para campañas.
• Laboratorio: Simulación de un motor de decisiones que recibe un JSON y devuelve «Aprobado/Rechazado».

Sesión 14: Monitoreo y Model Drift

• Índice de Estabilidad del Sistema (PSI) y de Características (CSI).
• Detección de degradación del modelo en producción.
• Laboratorio: Script de alerta temprana ante cambios en el perfil del cliente.

Sesión 15: Calibración

• La calibración y sus tipos.
• Impactos de un calibrado.
• Laboratorio: Calibración de un applicant score.

Módulo 5: Capstone Project – Defensa del Modelo

Sesión 16: Presentación de un Modelo End-to-End

• Revisión de código por pares y por IA (Code Review).
• Simulación de comité de riesgos: Sustentación del modelo ante stakeholders.