My Work

ML proyect

Portfolio

Este proyecto implementa un pipeline completo de machine learning para predecir los puntajes de matemáticas de estudiantes, utilizando características como puntajes de lectura y escritura, y datos demográficos. El flujo de trabajo incluye ingestión, preprocesamiento, transformación de datos, entrenamiento y evaluación de modelos de regresión (como Random Forest, XGBoost y CatBoost). Además, se ha desarrollado una API web con Flask para realizar predicciones en tiempo real.

El diseño es modular, con cada componente (ingestión de datos, transformación, modelado y predicción) encapsulado en clases y funciones específicas, lo que asegura escalabilidad, mantenibilidad y facilidad de integración. Este enfoque permite modificar o actualizar cualquier parte del pipeline sin afectar el sistema completo.

Tecnologías utilizadas:

• Python: Lenguaje principal.

• Pandas, NumPy: Manejo y procesamiento de datos.

• Scikit-learn: Preprocesamiento y predicción.

• XGBoost, CatBoost: Modelos de regresión.

• Flask: API web para la interacción con el modelo.

• MLops y CI/CD (próximamente): Para la integración continua, gestión del ciclo de vida del modelo y despliegue automatizado.

Este enfoque modular garantiza que el modelo sea fácilmente accesible, escalable y listo para ser implementado en producción, permitiendo un ciclo de vida ágil y eficiente del modelo.

Github