Manual de Usuario

Bienvenido al manual de usuario del Sistema de Riesgo Crediticio con RBM. Esta guía te llevará paso a paso a través de todas las funcionalidades de la aplicación Streamlit.

Nota

Este manual está diseñado para usuarios no técnicos. Si buscas documentación técnica del código, consulta la Referencia de la API.

Introducción

¿Qué es este sistema?

Este sistema integral permite analizar y predecir el riesgo crediticio hipotecario utilizando técnicas avanzadas de Machine Learning, específicamente Máquinas de Boltzmann Restringidas (RBM) combinadas con modelos supervisados.

Características principales:

  • 📊 Generación de datos sintéticos realistas

  • 📁 Carga y validación de datos externos

  • 📈 Análisis exploratorio completo

  • 🔧 Ingeniería de características automática

  • ⚡ Entrenamiento de RBM para extracción de características

  • 🤖 Múltiples modelos de clasificación supervisados

  • 🔮 Sistema de predicción en tiempo real

  • 🔄 Reentrenamiento automático de modelos

  • 🎓 Asistente educativo RAG con papers científicos

¿Para quién es este sistema?

Analistas de Riesgo Crediticio:

Evalúa solicitudes de crédito hipotecario, identifica patrones de riesgo y optimiza políticas de aprobación.

Estudiantes de Física:

Aprende sobre Máquinas de Boltzmann y sus aplicaciones en finanzas mediante el sistema RAG educativo.

Data Scientists:

Experimenta con modelos generativos, compara algoritmos de ML y construye pipelines completos.

Gerentes de Crédito:

Toma decisiones informadas basadas en análisis predictivos y visualizaciones claras.

Flujo de Trabajo Recomendado

Para obtener los mejores resultados, sigue este flujo de trabajo:

Flujo de trabajo del sistema

  1. 📊 Generar o Cargar Datos

    Comienza generando un dataset sintético o cargando tus propios datos de crédito.

  2. 🔍 Validar y Limpiar

    Asegura la calidad de los datos mediante validación automática y limpieza.

  3. 📈 Análisis Exploratorio

    Comprende las distribuciones, correlaciones y patrones en tus datos.

  4. 🔧 Ingeniería de Características

    Crea variables derivadas que mejoren el poder predictivo.

  5. ⚡ Entrenar RBM

    Extrae características latentes mediante Máquinas de Boltzmann.

  6. 🤖 Entrenar Modelos Supervisados

    Construye clasificadores de riesgo usando las características extraídas.

  7. 🔮 Realizar Predicciones

    Evalúa el riesgo de nuevos solicitantes en tiempo real.

  8. 🔄 Reentrenar Modelos

    Actualiza los modelos con nuevos datos para mantener su precisión.

  9. 🎓 Aprender sobre RBMs

    Usa el asistente RAG para profundizar en la teoría y aplicaciones.

Requisitos Previos

Antes de comenzar, asegúrate de tener:

Conocimientos Básicos:

  • Conceptos financieros básicos (crédito, tasa de interés, etc.)

  • Familiaridad con navegadores web

  • Comprensión básica de estadística (opcional pero útil)

Requisitos Técnicos:

  • Navegador web moderno (Chrome, Firefox, Safari, Edge)

  • Conexión a internet (para el sistema RAG)

  • Archivos de datos en formato CSV, Excel o Parquet (si cargas datos propios)

Configuración del Sistema:

  • Python 3.8 o superior instalado

  • Ambiente virtual activado

  • Dependencias instaladas (ver Instalación)

Convenciones de este Manual

A lo largo de este manual, utilizamos las siguientes convenciones:

Nota

Notas proporcionan información adicional útil o consejos.

Advertencia

Advertencias indican precauciones importantes que debes tener en cuenta.

Truco

Tips ofrecen sugerencias para mejorar tu experiencia o resultados.

Importante

Importante resalta información crítica que no debes pasar por alto.

Elementos de interfaz:

  • Los botones se muestran como: «Generar Datos»

  • Los campos de entrada se muestran como: Número de registros

  • Los menús se muestran como: → Sidebar → Generar Datos

Código y comandos:

# Los comandos de terminal se muestran así
streamlit run app.py

Valores y parámetros:

  • Los valores numéricos se muestran como: 100

  • Los nombres de variables se muestran como: nivel_riesgo

  • Los archivos se muestran como: datos_credito.csv

Estructura del Manual

Este manual está organizado en módulos que corresponden a las funcionalidades de la aplicación:

Guías por Módulo:

Cada guía incluye:

  • Objetivo del módulo: Qué puedes lograr

  • Paso a paso: Instrucciones detalladas

  • Parámetros configurables: Qué significa cada opción

  • Interpretación de resultados: Cómo leer las salidas

  • Casos de uso: Ejemplos prácticos

  • Tips y mejores prácticas: Recomendaciones expertas

  • Troubleshooting: Solución de problemas comunes

Acceso Rápido

Primeros Pasos:

Análisis de Datos:

Modelado Avanzado:

Producción:

Aprendizaje:

Soporte y Recursos

Si necesitas ayuda adicional:

Documentación Técnica:

Consulta la Referencia de la API para detalles de implementación.

Instalación:

Revisa la guía de Instalación si tienes problemas de configuración.

Preguntas Frecuentes:

Cada módulo incluye una sección de troubleshooting con soluciones a problemas comunes.

Sistema RAG:

Usa el módulo educativo para hacer preguntas específicas sobre RBMs y el sistema.

Comunidad:

Únete a las discusiones en GitHub Issues para compartir experiencias y obtener ayuda.

Próximos Pasos

¡Estás listo para comenzar! Te recomendamos:

  1. Lee la guía de inicio: 1. Página de Inicio y Navegación

  2. Genera tu primer dataset: 2. Generar Datos Sintéticos

  3. Explora los datos: 4. Análisis Descriptivo

  4. Experimenta con RBM: 7. Máquina de Boltzmann Restringida (RBM)

Truco

Si eres nuevo en Machine Learning, comienza con el módulo educativo RAG para aprender los conceptos fundamentales antes de entrenar modelos.

¡Disfruta explorando el sistema de riesgo crediticio con RBM! 🚀