Cómo avanzasEntiendes criterio. No sigues instrucciones.
Cada proyecto está organizado como una secuencia de decisiones.
1
Entras a un proyecto real. Minería, salud, retail, energía, gobierno. Problemas que existen en la industria, no ejercicios académicos inventados. Ver proyectos →
2
Sigues el desarrollo como decisiones. Cada etapa tiene un brief, un mapa de decisiones y bloques que te obligan a pensar antes de ver la solución.
3
En cada punto ves: opciones, elección, por qué.
Decisión clave: ¿Regresión o clasificación? ¿Por qué? ¿Qué pasa si te equivocas?
Error común: qué haría un junior vs alguien con experiencia real en este problema.
4
Aplicas ese criterio a tu propio proyecto. El objetivo no es replicar el código, es llevarte el razonamiento. Eso es lo que te permite terminar.
Proyectos de referencia
ProyectosProblemas reales que puedes resolver
Filtra por sector o explora todos.
Negocios
Markowitz con ML para carteras de inversión
Predicción de precio de activos con LSTM
Optimización de portafolio con Markowitz
Ene 2026
1.7k vistas
Negocios
Predicción de ventas, segmentación y anomalías
Pipeline completo de forecasting y clustering retail
Detección de anomalías en transacciones comerciales
Mar 2026
2.5k vistas
Educación
Predicción de deserción estudiantil — Paso a paso
Modelo predictivo con SHAP para identificar causas de abandono
Pipeline completo: research gap, baseline, iteración y despliegue
Mar 2026
3.4k vistas
Industria
Cemento — Resistencia a la compresión
Regresión sobre composición de cemento vs. resistencia
Predicción con diferentes tiempos de fraguado
Mar 2026
1.2k vistas
Agricultura
Predicción de precios de abarrotes
Regresión sobre precios locales + optimización nutricional
Régimen alimenticio de menor costo con restricciones
Lo que dicen quienes lo usaron
TestimoniosProyectos terminados. Tesis defendidas.
"Lo que más me ayudó fue ver cómo se justifica la elección de métrica. Eso es exactamente lo que más te preguntan en la defensa."
Rafael V.
Tesis · Ing. Minas · Perú
"Llevaba semanas sin avanzar. Los bloques de decisión clave fueron lo que necesitaba para dejar de dudar."
Laura C.
Tesis · Ciencias de datos · MX
"Necesitaba demostrarle al jefe que el modelo servía. La sección de evaluación con contexto de negocio fue clave para esa conversación."
Marcos C.
Analista · Operaciones · Chile
"Entendí por qué XGBoost no siempre es la respuesta. Cambié de modelo y mejoré resultados sin tuning ciego."
Diana P.
ML Engineer · Portafolio · CO