Recomendador de Repuestos para una Distribuidora Industrial en Monterrey
Visión general
De qué trata este proyecto.
Crea un recomendador de repuestos con ALS y baselines, evalúa con Recall@5 y NDCG@5, y recibe un certificado verificable.
El Briefing
Lo que harás y lo que demostrarás.
Construir un recomendador de repuestos con Recall@5 superior al 35% y proponer un piloto controlado defendible.
Earning criteria — what you'll demonstrate
- Aplicar filtrado colaborativo a datos transaccionales B2B reales
- Diseñar un split temporal limpio para evaluación de recomendadores
- Comparar baselines simples contra modelos antes de pasar a producción
- Diseñar un experimento controlado para validar impacto de negocio
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Applied Machine Learning
Master · Ai Ml
Fit score: 1
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 canónicosIngeniero de Aprendizaje Automático
Construir un recomendador desde datos transaccionales y proponer un piloto controlado es trabajo cotidiano del MLE en empresas B2B.
Este proyecto afina
- recommender-systems
- collaborative-filtering
- model-evaluation
Científico de Datos
El diseño de experimento controlado y la evaluación offline son centrales en el día a día del científico de datos en producto B2B.
Este proyecto afina
- experiment-design
- model-evaluation
- data-wrangling
Científico de IA Aplicada
Defender por escrito una propuesta de piloto con tamaño muestral y métrica primaria es exactamente lo que hace un applied AI scientist.
Este proyecto afina
- recommender-systems
- experiment-design
- python