Entrena una red neuronal pequeña para clasificar dígitos manuscritos
Visión general
De qué trata este proyecto.
Entrena una red neuronal con MNIST, evalúa con dígitos reales y analiza el gap de dominio. Obtén un certificado verificable.
El Briefing
Lo que harás y lo que demostrarás.
Entrenar una red neuronal simple sobre MNIST y medir cómo generaliza a 500 dígitos manuscritos reales del campo.
Earning criteria — what you'll demonstrate
- Entender una red feed-forward, ReLU y softmax desde la práctica
- Diagnosticar overfitting con curvas de entrenamiento y validación
- Detectar y describir el cambio de distribución entre dos datasets
- Documentar un experimento reproducible para alguien sin GPU
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Machine Learning (Undergraduate)
Bachelor · Ai Ml
Fit score: 1
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosIngeniero/a de Machine Learning
Entrenar una red simple, diagnosticar overfitting y razonar sobre el domain shift es exactamente lo que se espera de una persona junior MLE en su primera tarea.
Este proyecto afina
- neural-networks
- pytorch
- model-evaluation
Ingeniero/a de Visión por Computador
MNIST + dígitos de campo es el clásico primer reto de visión: ayuda a interiorizar normalización, evaluación y el problema de generalización fuera del benchmark.
Este proyecto afina
- neural-networks
- domain-shift
- model-evaluation
Ingeniero/a de IA
Documentar un experimento reproducible y razonar sobre dónde rompe en producción es la mentalidad esperada en cualquier AI Engineer junior.
Este proyecto afina
- pytorch
- domain-shift
- neural-networks