Predice la demanda de turnos en una clínica dental con XGBoost
Visión general
De qué trata este proyecto.
Construye un modelo XGBoost para predecir la demanda de turnos en una clínica dental usando datos históricos y validación temporal. Obtén un certificado verificable.
El escenario
La cadena factura 26 millones de euros anuales; un 8 por ciento de mejora en utilización de turnos equivale a 2 millones de euros adicionales sin contratar más personal — la directora ya ha aprobado el proyecto si el modelo bate la baseline naïve por 15 por ciento.
El Briefing
Lo que harás y lo que demostrarás.
Predecir demanda semanal de turnos por sede y especialidad con XGBoost que mejore al naïve en al menos 15 por ciento en MAE.
Earning criteria — what you'll demonstrate
- Diseñar features temporales sin fuga de información futura
- Aplicar validación con sliding window para series temporales
- Comparar modelos contra baselines naïve fuertes
- Diseñar despliegue y monitoring desde el primer día
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Machine Learning (CS Elective)
Master · General Studies
Strong alignment
This challenge maps to Machine Learning (CS Elective) at the Master level. It sharpens the same practical skills your coursework expects — but in a real industry context with actual constraints and deliverables.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
- Supervised Learning
Apply supervised learning to solve real industry problems and demonstrate production-level capability.
- Feature Engineering
Apply feature engineering to solve real industry problems and demonstrate production-level capability.
- Model Evaluation
Apply model evaluation to solve real industry problems and demonstrate production-level capability.
- Python Programming
Apply python programming to solve real industry problems and demonstrate production-level capability.
- Deployment
Apply deployment to solve real industry problems and demonstrate production-level capability.
- Data Analysis
Analyze real datasets, build models, and communicate findings that drive decisions.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Ingeniera de Machine Learning
Un proyecto end-to-end con XGBoost, validación temporal y despliegue programado es exactamente el portafolio que las startups B2B y empresas tradicionales en proceso de modernización piden a su próxima MLE junior.
Este proyecto afina
- supervised-learning
- feature-engineering
- deployment
Científica de Datos
Las científicas de datos junior se diferencian cuando dominan validación temporal y comparativas honestas contra baselines naïve.
Este proyecto afina
- supervised-learning
- model-evaluation
- data-analysis
Ingeniera de Datos
Las ingenieras de datos que entienden el modelo aguas abajo construyen mejores pipelines de features con menos retrabajo.
Este proyecto afina
- feature-engineering
- deployment
- data-analysis