Sistema de Riesgo Crediticio con RBM

Bienvenido a la documentación del Sistema de Riesgo Crediticio con Máquinas de Boltzmann Restringidas (RBM).

Este sistema integral permite el análisis y predicción de riesgo crediticio hipotecario para Colombia, utilizando técnicas avanzadas de Machine Learning y un sistema RAG educativo.

Contenidos:

Características Principales

🎯 Objetivo del Proyecto

Crear un sistema integral que permita:

  • 📊 Generar/cargar datos de solicitudes de crédito hipotecario

  • 📈 Realizar análisis exploratorio avanzado

  • ⚙️ Aplicar ingeniería de características automática

  • 🧠 Entrenar modelos predictivos con RBM + clasificadores

  • 🔮 Predecir riesgo crediticio en nuevos solicitantes

  • 🎓 Aprender sobre Máquinas de Boltzmann mediante un asistente RAG

📊 Variables del Sistema

Variables Financieras del Crédito:

  • valor_inmueble: Valor comercial de la propiedad (COP)

  • monto_credito: Monto solicitado del préstamo (COP)

  • cuota_inicial: Porcentaje de cuota inicial (%)

  • plazo_credito: Plazo del crédito en años

  • tasa_interes: Tasa de interés anual (%)

Perfil Financiero del Solicitante:

  • puntaje_datacredito: Score crediticio (150-950)

  • salario_mensual: Ingreso mensual (COP)

  • egresos_mensuales: Gastos mensuales totales (COP)

  • saldo_promedio_banco: Saldo promedio últimos 6 meses (COP)

  • patrimonio_total: Patrimonio neto (COP)

  • numero_propiedades: Cantidad de propiedades que posee

  • numero_demandas: Demandas legales por dinero

Variable Objetivo:

  • nivel_riesgo: Bajo / Medio / Alto

⚡ Máquinas de Boltzmann Restringidas

¿Qué es una RBM?

Una Máquina de Boltzmann Restringida es un modelo generativo no supervisado que:

  • Aprende representaciones latentes de los datos

  • Usa una arquitectura de dos capas (visible + oculta)

  • Se entrena con Contrastive Divergence (CD-k)

  • Extrae características útiles para modelos supervisados

Función de Energía:

\[E(v,h) = -\sum_i a_i v_i - \sum_j b_j h_j - \sum_{i,j} v_i W_{ij} h_j\]

Donde:

  • \(v_i\) son las unidades visibles

  • \(h_j\) son las unidades ocultas

  • \(W_{ij}\) son los pesos de conexión

  • \(a_i, b_j\) son los sesgos

🎓 Sistema RAG Educativo

Características:

  • 🤖 Groq AI con Llama 3.3 70B parámetros

  • 📚 Base de conocimiento con papers científicos

  • 🔍 Búsqueda semántica con embeddings vectoriales

  • 💬 Chat interactivo con citación de fuentes

  • 📤 Carga automática de PDFs

Inicio Rápido

Instalación

# Clonar repositorio
git clone <tu-repositorio>
cd AppFIsica

# Crear ambiente virtual
python3 -m venv venv_fisica
source venv_fisica/bin/activate

# Instalar dependencias
pip install -r requirements.txt

Ejecución

# Activar ambiente virtual
source venv_fisica/bin/activate

# Ejecutar aplicación
streamlit run app.py

La aplicación se abrirá en: http://localhost:8501

Flujo de Trabajo

  1. 📊 Generar/Cargar Datos → Dataset de crédito hipotecario

  2. 🔍 Validar y Limpiar → Datos de alta calidad

  3. 📈 Análisis Exploratorio → Entender patrones

  4. 🔧 Ingeniería de Características → Variables derivadas

  5. ⚡ Entrenar RBM → Extraer características latentes

  6. 🤖 Modelos Supervisados → Clasificadores de riesgo

  7. 🔮 Predicción → Evaluar nuevos solicitantes

  8. 🎓 Aprender → Sistema RAG educativo

Índices y Tablas