IA y Datos
Retos de Fundamentos de Machine Learning
Los retos de Fundamentos de Machine Learning te sitúan en el centro del trabajo de convertir datos en bruto en modelos que aguantan. Desarrollarás habilidades en Aprendizaje Supervisado, Clasificación y Regresión y Feature Engineering, y luego validarás tu trabajo con División Train/Test y Validación Cruzada en scikit-learn.
A partir de ahí abordarás los temas más complejos — Ajuste de Hiperparámetros, Ensembles de Árboles, Calibración de Modelos y Selección de Modelos bajo Restricciones de Negocio — avanzando hacia el Ajuste de Modelos en Producción y los Pipelines de Features como lo hacen los equipos reales de ML. Cada reto que resuelvas te otorga una credencial verificada para mostrar a los reclutadores.
- ResearchIntermedioNuevo
Optimizar hiperparámetros con teoría del aprendizaje
Recibirás 5 datasets tabulares anonimizados (clasificación binaria, tamaños entre 1k y 20k). Diseñarás una metodología que combine: (1) Bayesian optimization con Optuna sobre fa…
- Bayesian Optimization
- ValidacióN Cruzada
- Learning Theory
Advanced Machine Learning - CodePrincipianteNuevo
Modelo logístico regularizado para scoring de pymes en banca cooperativa
Recibes un dataset interno con 28.000 expedientes de pymes (16 features financieras y 12 features sectoriales) y un objetivo binario de impago a 12 meses. Construye los tres mod…
- Regularized Regression
- CalibracióN De Modelos
- ValidacióN Cruzada
Statistical Machine Learning - CodePrincipianteNuevo
Implementa regularización y selección de modelos en predicción de churn telco
Recibes 850.000 filas con 60 features (uso, recargas, llamadas a soporte, antigüedad, plan). Implementa nested CV con outer 5-fold y inner grid-search sobre lambda (regularizaci…
- Regularization
- Model Selection
- ValidacióN Cruzada
Machine Learning - CodeIntermedioNuevo
Resolución Numérica de PDEs para Difusión de Calor en Reactor Farma
Implementa Crank-Nicolson y FTCS (Forward-Time Central-Space) explícito para la ecuación del calor 2D en coordenadas cilíndricas. Discretiza el reactor en una malla 200 x 80 (ra…
- Numerical Pdes
- Finite Differences
- Crank Nicolson
Scientific Computing and Numerical Methods 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
- AnalysisPrincipianteNuevo
Kernels y máquinas de vector soporte para clasificación de cosechas en agritech
Recibes un dataset de 18.500 espectros etiquetados con variedad (8 clases) y calidad (3 niveles), repartido por temporadas. Implementa SVM con tres kernels (lineal, RBF, polinóm…
- Support Vector Machines
- Kernel Methods
- ValidacióN Cruzada
Statistical Machine Learning
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.