Dispongo de un histórico de unas 3 000 transacciones y necesito un modelo que, sin etiquetas de fraude, me permita detectar patrones inusuales de transacciones. El conjunto crece mensualmente, por lo que busco una solución que admita re-entrenamiento o, al menos, scoring periódico con datos nuevos. La idea es implementar un enfoque de aprendizaje no supervisado (Isolation Forest, Autoencoders, clustering o la técnica que consideres más adecuada) en Python usando librerías comunes como scikit-learn, TensorFlow o PyTorch. Valoraría que la lógica quede en un notebook reproducible y, opcionalmente, en un script independiente para su integración futura. Entrego los datos ya limpios en CSV; tú te encargas de: • explorar las variables, • escoger y entrenar el algoritmo, • ajustar los umbrales para señalar las observaciones atípicas, • generar un breve informe que explique la metodología y cómo interpretar los scores. El resultado se considerará aceptado cuando, con un subconjunto de validación, el modelo identifique de forma coherente las anomalías (pocos falsos positivos, ranking razonable) y pueda ejecutarse nuevamente con los archivos que iré añadiendo cada mes sin cambios mayores en el código.