Haré modelos de aprendizaje automático en Python y pipelines de MLops

Desarrollé un proyecto de ML y MLops de extremo a extremo para predecir entregas tardías utilizando datos reales de Olist e-commerce.

FLUJO DE TRABAJO DEL PROYECTO Y SALIDAS

1. Integración de datos | Python, Pandas
2. Uní tablas relacionadas para crear un conjunto de datos unificado.
3. Ingeniería de objetivos y división
4. Creé etiquetas de Late/On-Time y conjuntos de train/validation/test.
5. EDA y ingeniería de características
6. Análisis de patrones de entrega y construcción de pipelines de preprocesamiento.
7. Entrenamiento de modelos | Scikit-learn
8. Entrené modelos de clasificación y evalué métricas de predicción.
9. MLflow | Seguimiento de experimentos
10. Registré ejecuciones de entrenamiento, métricas y artefactos del modelo.
11. DVC | Control de versiones
12. Gestioné versiones de datos y modelos.
13. Great Expectations | Validación
14. Definí checks de calidad de datos y restricciones de entrada.
15. FastAPI | Servicio de modelos
16. Endpoints /predict, /batch-predict, /health, /model-info y /metrics.
17. Docker | Contenerización
18. Configurar Dockerfile y Docker Compose.
19. Pytest & GitHub Actions | CI/CD
20. Preparé pruebas automatizadas y flujos de CI.
21. Monitoreo y registro
22. Añadí tracking de requests, errores, latencia y predicciones.

ENTREGABLES

Código en Python, modelos entrenados, salidas de evaluación, API, pruebas y documentación.

¡Hablemos de tu proyecto de ML!