Parte 8 — Capstones — Proyectos Integradores
⬅️ Volver al programa · 📚 Índice completo · ⏮️ Parte anterior
4 clases · proyectos largos · ~4–6 semanas · ✅ completada (junio 2026)
Fuente principal: Síntesis — el estudiante demuestra dominio integrando todo lo aprendido en tres proyectos completos y un portafolio público.
🎯 ¿De qué trata esta parte?
La parte final del programa, donde no se aprende contenido nuevo: se integra todo en tres proyectos end-to-end y un portafolio público en GitHub Pages. Cada capstone cubre un dominio distinto (tabular, NLP/series, visión) para forzar al estudiante a demostrar versatilidad, y todos los proyectos deben llegar hasta el deployment (API, dashboard, app) — no se aceptan notebooks aislados.
El capstone final (la "clase 197") no es código sino comunicación: armar un portafolio público navegable, una presentación de 10 minutos por proyecto y un README técnico que un reclutador o colega pueda entender. Es el entregable que se usa para buscar trabajo o para evaluar el programa entero.
🧩 Problemas que resuelve
- Demostrar que se puede llevar un problema desde dataset crudo hasta sistema en producción sin asistencia.
- Integrar las tres partes técnicas duras del programa: ML clásico (P1), DL (P2) y MLOps (P4).
- Comunicar resultados técnicos a audiencias no técnicas.
- Construir un portafolio público creíble para postular a trabajos de data scientist / ML engineer.
🎓 Resultados de aprendizaje
Al finalizar esta parte, el estudiante podrá:
- Tres proyectos completos publicados en GitHub con README, demo desplegada y documentación reproducible.
- Un portafolio público en GitHub Pages que sirva como CV técnico.
- Tres presentaciones de 10 minutos (una por capstone) listas para entrevistas.
🗺️ Estructura temática
- Capstone 1 — Tabular — clase 229 — pipeline end-to-end (EDA, ColumnTransformer, GBM+Optuna, MLflow, FastAPI, Streamlit+SHAP, Model Card, CI).
- Capstone 2 — NLP o series — clase 230 — dos ramas opt-in (rama A: clasificación de texto con DistilBERT/sentence-transformers o RAG mini; rama B: forecasting con baselines + SARIMA/ETS + ML + backtesting + intervalos cuantiles). Notebook implementa rama B completa.
- Capstone 3 — Visión — clase 231 — transfer learning con torchvision/timm (ConvNeXt/EfficientNetV2/ViT), augmentation moderna (RandAugment/MixUp/CutMix), export ONNX, FastAPI con imagen base64; notebook CPU-friendly con HOG fallback.
- Portafolio público — clase 232 — MkDocs Material/Quarto en GitHub Pages, demos hosted (Streamlit Cloud/HF Spaces), blog técnico, deck 10-15 slides, CV técnico de 1 página, reproducibilidad como diferenciador.
📥 Material descargable — parte completa
Materiales consolidados con TODAS las clases de esta parte (útiles para revisar offline o imprimir el bloque entero):
- 📄 Guía PDF — parte completa — todas las clases concatenadas con headings demoteados.
- 🎞️ Presentación PPTX — parte completa — portada + TOC + slides de cada clase.
⬅️ Volver al programa · 📚 Índice completo · ⏮️ Parte anterior
📚 Ficha por clase
✨ 4 de 4 clases tienen contenido pedagógico ampliado (📖 Definiciones · ⚠️ Errores comunes · ❓ FAQ).