ML & IA
Pythonscikit-learnPandasAngularJupyter
CleanProcurement — prioridad de revisión pública

Sobre el proyecto
Analiza contrataciones directas de emergencia y publica incluso el resultado negativo: los modelos no superan a ordenar proveedores por monto.
Qué incluye
- 10.121 contratos y 4.229 proveedores analizados
- Umbral de éxito declarado antes de entrenar los modelos
- Lista para priorizar auditoría, nunca una acusación de fraude
Cómo funciona
- 1SEACE y sanciones públicas → limpieza e integración por proveedor
- 2Reglas, anomalías y regresión producen rankings comparables
- 3La validación contrasta cada ranking con el umbral declarado
- 4El panel publica el criterio simple que sí demostró señal