En este módulo conocerás qué es big data, qué es machine learning, qué es la segmentación y por qué se utiliza en la gestión de riesgos LAFT, además, conocerás qué se debe tener en cuenta para realizar la segmentación y cuáles son los cuatro factores de riesgos de lavado de activos a los que se les puede aplicar.

En este módulo podrás profundizar más en el concepto de machine learning, los tipos de aprendizaje que utiliza y cómo se relaciona con la segmentación, además aprenderás acerca de los algoritmos de clasificación, regresión y clusterización y cómo estos son utilizados en la segmentación de factores de riesgos de lavado de activos y financiación del terrorismo.

En este módulo aprenderás sobre la minería de datos, cuáles son las técnicas utilizadas para el análisis de los datos, sobre metodologías como la KDD y la CRISP-DM, qué se debe tener en cuenta para verificar la calidad de los datos en la segmentación de los factores de riesgo LAFT y sobre cómo puede utilizarse la estadística descriptiva en este proceso.

En este módulo conocerás las diferentes medidas utilizadas por la estadística descriptiva: de centralidad, de dispersión, de posición y de frecuencia y cómo estas son útiles en el proceso de segmentación de los factores de riesgo de lavado de activos y financiación del terrorismo.

En este último módulo podrás aprender sobre la validación de resultados a partir de diferentes pruebas como las pruebas de codo o de silueta, además, verás qué aspectos hay que tener en cuenta para realizar esta validación en los procesos de segmentación y específicamente en el de factores de riesgo LAFT.