🤖 Portfolio¶

📊 Unidad Temática 1 - Machine Learning Clásico¶

Fundamentos de Machine Learning: análisis exploratorio de datos, regresión lineal y logística, validación cruzada, y clustering con PCA. Desde predicción de supervivencia en Titanic hasta segmentación de clientes.

Descifrando los secretos del Titanic a través de los datos ¶

De datos crudos a modelos predictivos: construyendo nuestro primer clasificador ¶

Cuando las líneas rectas no bastan: explorando regresión lineal y logística ¶

Evitando el sobreajuste: técnicas de validación para modelos robustos y evitar que los estudiantes dejen de asistir a clases ¶

Mall Customer Analytics: usando PCA y clustering para entender comportamiento de compra ¶

🧠 Unidad Temática 2 - Redes Neuronales y Deep Learning¶

Del perceptrón a redes multicapa (MLP): arquitecturas, backpropagation, optimizadores (SGD, Adam, RMSprop) y técnicas de regularización. Experimentación práctica con TensorBoard y callbacks.

Del perceptrón a las redes multicapa: resolviendo problemas no linealmente separables ¶

Experimentacion con redes neuronales: arquitecturas, optimizadores y callbacks ¶

👁️ Unidad Temática 3 - Visión por Computadora¶

CNNs desde cero y transfer learning, data augmentation avanzado (Mixup, CutMix), explicabilidad con GradCAM, fine-tuning de YOLOv8 para detección y tracking, y segmentación con SAM para disaster response.

🗣️ Unidad Temática 4 - Procesamiento de Lenguaje Natural (NLP)¶

Fine-tuning de BERT (FinBERT) para análisis de sentimiento financiero, y LangChain para aplicaciones LLM: prompting, salidas estructuradas con Pydantic, y RAG (Retrieval-Augmented Generation).

🤖 Portfolio¶

📊 Unidad Temática 1 - Machine Learning Clásico¶

Descifrando los secretos del Titanic a través de los datos ¶

De datos crudos a modelos predictivos: construyendo nuestro primer clasificador ¶

Cuando las líneas rectas no bastan: explorando regresión lineal y logística ¶

Evitando el sobreajuste: técnicas de validación para modelos robustos y evitar que los estudiantes dejen de asistir a clases ¶

Mall Customer Analytics: usando PCA y clustering para entender comportamiento de compra ¶

🧠 Unidad Temática 2 - Redes Neuronales y Deep Learning¶

Del perceptrón a las redes multicapa: resolviendo problemas no linealmente separables ¶

Experimentacion con redes neuronales: arquitecturas, optimizadores y callbacks ¶

👁️ Unidad Temática 3 - Visión por Computadora¶

CNNs desde cero y aprovechando modelos preentrenados ¶

Técnicas avanzadas de augmentation (Mixup, CutMix) y visualización de decisiones con GradCAM ¶

Fine-tuning de YOLOv8 para detección específica de productos de supermercado y tracking en video ¶

Segmentación de inundaciones con SAM: comparando zero-shot vs fine-tuned para disaster response ¶

🗣️ Unidad Temática 4 - Procesamiento de Lenguaje Natural (NLP)¶

Análisis de sentimiento financiero: comparando TF-IDF vs Fine-tuning de BERT ¶

LLMs con LangChain: Prompting, Plantillas y Salida Estructurada con OpenAI ¶

Creando un bot que responde preguntas de ajedrez con manejo de estado, tools, RAG y multi-turn ¶

🗣️ Unidad Temática 5 - MLOps¶

Lab de Google, para aprender a usar VertexAI ¶