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.
- CodePrincipianteNuevo
Detección de fraude de tarjeta para una fintech mexicana
Recibes nueve meses de autorizaciones anonimizadas (unos 6 millones de transacciones, con tasa de fraude del 0,3%) y el resultado de las reglas actuales por transacción. Divide …
- Classification
- CalibracióN De Modelos
- Feature Engineering
AI and Quantitative Finance - CodeIntermedioNuevo
Predicción de Propiedades Moleculares con GNN para Startup Farmacéutica en Bilbao
Recibirás un dataset público (MoleculeNet) más ~4.500 moléculas internas anonimizadas etiquetadas con 4 propiedades ADMET. Implementa una MPNN (Message Passing Neural Network) s…
- Redes Neuronales
- Message Passing
- Molecular Ml
Machine Learning on Graphs - CodePrincipianteNuevo
Detecta defectos en placa cerámica para línea de control de calidad
Recibirás 8.000 imágenes etiquetadas (5 categorías: OK, microfisura, descuelgue, mancha, otro) capturadas con la cámara industrial existente. Entrenarás un clasificador (ResNet5…
- ClasificacióN Con Cnn
- Transfer Learning
- Pytorch O Tensorflow
Image Processing and Computational Imaging - 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 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
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…
- ClasificacióN Con Cnn
- Transfer Learning
- CalibracióN De Modelos
Deep Learning - CodeIntermedioNuevo
Modelar incertidumbre bayesiana en scoring crediticio
Recibirás 80.000 solicitudes históricas (12 meses) con features tabulares + etiquetas de impago a 90 días. Implementarás un modelo bayesiano (por ejemplo, regresión logística ba…
- Bayesian Learning
- CuantificacióN De Incertidumbre
- Conformal Prediction
Advanced Machine Learning - CodeIntermedioNuevo
Modelo de Riesgo de Mora para una Cooperativa de Crédito en Medellín
Recibes 80.000 expedientes históricos anonimizados con 24 features socioeconómicas y de historial crediticio, etiquetados con mora a 90 días. Construye un pipeline completo: spl…
- Classification
- Feature Engineering
- EvaluacióN De Modelos
Applied 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.