IA y Datos
Retos de Deep Learning
Los retos de Deep Learning te sitúan en el centro del trabajo de construir modelos que aprenden de datos en bruto. Desarrollarás habilidades en Redes Neuronales y Redes Feedforward, aplicarás Aumentación de Datos y entrenarás modelos en PyTorch o TensorFlow junto a los fundamentos del Reinforcement Learning.
A partir de ahí abordarás los temas más complejos — Arquitectura Transformer, Mecanismos de Atención, Diseño de Arquitectura Personalizada y Entrenamiento Distribuido — trabajando con PyTorch Lightning / Hugging Face Trainer, Patrones de Investigación con JAX y Diseño de Estudios de Ablación. Cada reto que resuelvas te otorga una credencial verificada para mostrar a los reclutadores.
Proyectos recomendados
· PyTorch o TensorFlow Limpiar- CodeIntermedioNuevo
Detecta retinopatía diabética para una red de clínicas en Guadalajara
Recibes 30.000 imágenes de fundus etiquetadas (5 clases, distribuidas con clase 0 dominante 65 %). Entrena EfficientNet-B3 con loss ordinal o regresión ordinal. Reporta quadrati…
- Medical Image Classification
- Ordinal Classification
- Fine Tuning
Multidisciplinar - CodeFundamentosNuevo
Entrena una red neuronal pequeña para clasificar dígitos manuscritos
Trabaja primero con MNIST (60.000 ejemplos de entrenamiento, 10.000 de test). Construye una red feed-forward de dos capas ocultas con activaciones ReLU (Rectified Linear Unit — …
- Neural Networks
- Backpropagation
- Model Evaluation
Machine Learning (Undergraduate) - ResearchSéniorNuevo
Análisis interpretabilidad mecánica de un modelo pequeño
Elige una tarea sencilla bien estudiada (por ejemplo predicción del último token de una secuencia aritmética o resolución de pronombres en frases cortas). Sobre un Transformer p…
- Mechanistic Interpretability
- Transformer Internals
- Pytorch
AI Safety and Alignment - CodePrincipianteNuevo
Entrena una CNN para diagnóstico asistido en una EdTech médica
Trabajarás con un subset público de chest X-rays (alrededor de 50.000 imágenes, 14 patologías multi-label). Entrena un DenseNet121 (estándar en literatura X-ray) con transfer le…
- Cnn
- Transfer Learning
- Model Calibration
Deep Learning Practice your coursework on real scenarios.
Every challenge is shaped from real-world context — not generic exercises. The work mirrors what your degree prepares you for.
Why Ewance
- CodePrincipianteNuevo
Detecta cosecha óptima de fresa con visión RGB en invernadero
Recibirás 5.000 imágenes etiquetadas con cajas delimitadoras y clase (verde, comercial, sobre-madura) capturadas a distintas horas del día. Entrenarás un detector ligero (YOLOv8…
- Object Detection
- Edge Deployment
- Pytorch
Image Processing and Computational Imaging - CodeIntermedioNuevo
Genera ambientes para videojuegos con GANs en una indie chilena
Recibirás 3 categorías (terreno, follaje, cielo) con 300 texturas históricas cada una (1024x1024). Fine-tunea StyleGAN3 sobre cada categoría usando transfer learning desde un ch…
- Gan
- Stylegan
- Fine Tuning
Deep Generative Models - ResearchIntermedioNuevo
Reconoce ingredientes con CV en una app de delivery brasileña
Recibirás un dataset semi-curado de 15.000 imágenes con bounding boxes para 80 clases de ingrediente (heredado de un dataset público + filtrado). Reservarás 1.000 fotos 'cocina …
- Object Detection
- Yolo
- Pytorch
Deep Learning for Computer Vision - CodeSéniorNuevo
Construye un modelo deep learning para EHR en biotech de Barcelona
Recibes 5.000 pacientes anonimizados con trayectorias de hasta 24 meses pre-tratamiento + outcome a 12 meses post-tratamiento (respondedor vs no). Construye un modelo deep learn…
- Deep Learning For Ehr
- Clinical Data
- Transformer Models
Machine Learning for Healthcare and Biomedicine - Browse challenges
Explore role
Product Manager
Ship product that solves real user problems. Combine user research, prototyping, and stakeholder alignment to turn ambiguous briefs into measurable wins — the role at the centre of modern software teams.
- CodeIntermedioNuevo
Cuantiza un Modelo de Detección de Plagas en Olivar de Jaén
Recibirás un modelo PyTorch preentrenado (~12M parámetros), un dataset etiquetado de 8.000 imágenes (4 clases de plaga + sano) y la documentación del ESP32-S3 con TensorFlow Lit…
- Quantization
- Qat
- Edge Deployment
Edge ML and On-Device Machine Learning - CodePrincipianteNuevo
Mapeo agrícola con dron autónomo para fitosanitario de precisión
Recibes datos de tres vuelos sobre la misma parcela de 18 hectáreas con tres semanas de separación entre vuelos. Cada vuelo aporta imágenes RGB+NIR georreferenciadas y etiquetas…
- Semantic Segmentation
- Remote Sensing
- Geospatial Data
Robot Perception and Autonomy - CodeIntermedioNuevo
Generar variaciones de producto con difusión condicionada
Recibirás 4.000 pares de (boceto, foto real) de la marca, anotados con descripción del material. Partirás de Stable Diffusion XL y aplicarás un fine-tuning con ControlNet para c…
- Diffusion Models
- Controlnet
- Lora Fine Tuning
Advanced Deep Learning - AnalysisIntermedioNuevo
Imitation Learning para Sim-to-Real en Robot Móvil de Curitiba
Recibirás 200 demostraciones humanas teleoperadas (joystick) en simulador, más un wrapper Gymnasium del mismo entorno. Entrena un agente con Behaviour Cloning (BC) puro, luego c…
- Imitation Learning
- Behaviour Cloning
- Dagger
Multidisciplinar Build a verifiable portfolio.
Submissions become evidence. Reviewers with shipping experience score against a rubric; the result becomes a credential anyone can verify.
Why Ewance
- ResearchIntermedioNuevo
Reproducción de un resultado del estado del arte en visión
Elige (entre tres opciones proporcionadas) un paper reciente del estado del arte en clasificación de imágenes con código y datasets públicos. Reproduce el experimento principal …
- Reproducibility
- Model Evaluation
- Deep Learning
AI Measurement and Evaluation - CodeIntermedioNuevo
Sintetizar voz neural para personajes de un videojuego
Recibirás 30 minutos de audio limpio por personaje (6 actores) y el guion en español e inglés. Adaptarás un modelo TTS de código abierto (XTTS-v2, Tortoise o Bark) para cada voz…
- Text To Speech
- Voice Cloning
- Pytorch
Advanced Deep Learning - CodeIntermedioNuevo
Pricing dinámico de opciones para una mesa de derivados
Recibes dos años de cotizaciones de opciones sobre tres índices europeos (vencimientos, strikes, ATM/OTM) más la superficie de volatilidad implícita calibrada al cierre. Entrena…
- Deep Learning
- Quantitative Finance
- Model Validation
AI and Quantitative Finance - CodeIntermedioNuevo
Predicción de Trayectorias para una Flota Logística en Puebla
Recibes 60 horas de datos de patio (poses 10 Hz de 18 vehículos manuales y 4 autónomos, mapa lógico del patio en formato Lanelet2-like). Entrena un baseline kinemático (modelo d…
- Trajectory Prediction
- Sequence Models
- Pytorch
Multidisciplinar - CodePrincipianteNuevo
Implementa atención y compárala con seq2seq sin atención en EN→ES
Usa un subset de TED Talks ES↔EN (200.000 pares filtrados ≤50 tokens). Implementa en PyTorch: (a) seq2seq encoder-decoder con LSTM, (b) el mismo + atención de Bahdanau. Entrena …
- Seq2seq
- Attention Mechanism
- Bahdanau Attention
Machine Translation - CodeSéniorNuevo
Genera mamografías sintéticas para balancear datasets en biotech catalana
Trabajen en equipo de 2. Reciben 18.000 mamografías reales (1.500 positivas, 16.500 negativas) con BI-RADS scoring. Entrenen un Stable Diffusion 1.5 con LoRA condicionado en BI-…
- Generative Models
- Stable Diffusion
- Lora Fine Tuning
Machine Learning for Imaging and Medical Image Analysis - CodeIntermedioNuevo
Genera imágenes sintéticas para entrenar un detector de neumáticos en Vigo
Trabajen en equipo de 2. Usen Stable Diffusion con LoRA (Low-Rank Adaptation — adaptación de bajo rango) por modelo para generar ~500 imágenes sintéticas por clase con variación…
- Generative Perception
- Stable Diffusion
- Lora Fine Tuning
Machine Perception - CodeIntermedioNuevo
Pruning Estructurado para Cámara de Inspección de Acero en Monterrey
Recibirás un modelo de segmentación semántica (ResNet-50 + UPerNet) entrenado en 12.000 imágenes etiquetadas con 5 clases de defectos. Aplica pruning estructurado por canal (no …
- Structured Pruning
- Knowledge Distillation
- Edge Deployment
Edge ML and On-Device Machine Learning - CodeIntermedioNuevo
Predicción de propiedades moleculares para una farma española
Recibes una versión limpia de los conjuntos públicos ESOL (solubilidad acuosa) y PAMPA (permeabilidad) más una API simple para convertir SMILES en grafos moleculares. Implementa…
- Graph Neural Networks
- Cheminformatics
- Pytorch
AI for Science and Engineering - CodePrincipianteNuevo
Extrae cláusulas críticas de contratos con NLP supervisado
Recibirás 1.500 contratos comerciales en español anonimizados con cláusulas anotadas por jurista (spans con tipo de cláusula). Entrenarás un modelo de extracción tipo BERT (RoBE…
- Information Extraction
- Token Classification
- Pytorch
Multidisciplinar - CodeIntermedioNuevo
Adapta un clasificador few-shot para una startup biotech de Barcelona
Recibes un meta-train set de 60 tareas (clasificación binaria sobre cultivos similares, ~500 imágenes/tarea) y 10 tareas meta-test con solo 5 ejemplos por clase (5-shot) y query…
- Meta Learning
- Few Shot Learning
- Prototypical Networks
Meta-Learning, Transfer Learning, and Multi-Task Learning - ResearchIntermedioNuevo
Augmenta datasets escasos con VAEs para clasificación médica
Trabajarás con un dataset público (BloodMNIST o similar de MedMNIST, alrededor de 17.000 imágenes en 8 clases). Reduce artificialmente a 500 imágenes por clase para simular esca…
- Vae
- Generative Models
- Data Augmentation
Deep Generative Models
Cómo funciona
Del briefing al certificado, en seis pasos.
Paso 01
Explora retos alineados con tus estudios.
Paso 02
Acepta el que encaja con tus metas.
Paso 03
Trabájalo con la guía del AI Copilot.
Paso 04
Envíalo para una evaluación estructurada.
Paso 05
Consigue una credencial verificada.
Paso 06
Añádela a LinkedIn con un solo clic.
Familias de competencias relacionadas
Explorar todas las competenciasEquipos del sector tras una década de briefings prácticos
¿Reclutando de este grupo?
Patrocina un reto y conoce candidatos a través de su trabajo real.
Los equipos de la industria pueden diseñar briefings en torno a las habilidades que buscan, y evaluar a los estudiantes por entregables puntuados con rúbrica — no por currículums.