Selección de features con Lasso y árboles para predicción de demanda hortícola
Visión general
De qué trata este proyecto.
Selecciona features con Lasso y Random Forest para demanda hortícola. Compara pipelines y valida con Ridge. Obtén un certificado verificable.
El escenario
La cooperativa agrupa 1.400 productores y mueve cerca de 320.000 toneladas anuales; afinar la planificación reduce el desperdicio y mejora márgenes en cadenas con poca capacidad de almacenamiento.
El Briefing
Lo que harás y lo que demostrarás.
Reducir 180 features potenciales a un conjunto interpretable de 12-20 usando dos métodos complementarios y validar el coste predictivo de la reducción.
Earning criteria — what you'll demonstrate
- Aplicar Lasso y permutation importance correctamente
- Diseñar validación temporal por bloque para series semanales
- Razonar sobre interpretabilidad vs. capacidad predictiva
- Comunicar decisiones de selección a una audiencia de operaciones
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Statistical Machine Learning
Master · Machine Learning
Strong alignment
This challenge maps to Statistical Machine Learning 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.
- Feature Selection
Apply feature selection to solve real industry problems and demonstrate production-level capability.
- Lasso
Apply lasso to solve real industry problems and demonstrate production-level capability.
- Permutation Importance
Apply permutation importance to solve real industry problems and demonstrate production-level capability.
- Python
Write clean, efficient Python for data processing, automation, and backend services.
- Scikit Learn
Apply scikit learn to solve real industry problems and demonstrate production-level capability.
- Time Aware Validation
Apply time aware validation to solve real industry problems and demonstrate production-level capability.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Científico/a de Datos
Combinar dos métodos de selección, validar temporalmente y traducir a recomendaciones operativas es trabajo cotidiano de una persona data scientist en agroindustria.
Este proyecto afina
- feature-selection
- lasso
- permutation-importance
Investigador/a de Aprendizaje Automático
Razonar sobre interpretabilidad vs. predicción y discutir validación temporal son habilidades típicas de una persona investigadora ML.
Este proyecto afina
- lasso
- time-aware-validation
- feature-selection
Ingeniero/a de Aprendizaje Automático
Empaquetar pipelines de selección y validar contra baseline es el patrón con el que MLEs entregan modelos a equipos de planificación.
Este proyecto afina
- scikit-learn
- feature-selection
- time-aware-validation