Predice la demanda de turnos en una clínica dental con XGBoost
Visión general
De qué trata este proyecto.
Recibirás 24 meses de histórico anonimizado (turnos, especialidad, sede, marketing, festivos, clima). Construirás features temporales (lags, medias móviles, festivos), evaluarás con validación temporal por sliding window, entrenarás un modelo XGBoost por especialidad y reportarás MAE (Mean Absolute Error), MAPE y comparativa contra naïve (semana anterior) y media móvil de 4 semanas. Entregarás notebook reproducible, comparativa, plan de despliegue (cron semanal) y un informe de 5 páginas con análisis de errores y recomendaciones.
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.
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 canónicosIngeniera 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