- Published on
Un proyecto de ML de cero a deploy: el portafolio que sí te contrata
- Authors
- Name
- Cristina Chapoñan Chamorro
- X
- @Cristina_CCC
Un proyecto de ML de cero a deploy: el portafolio que sí te contrata
Tu notebook no es un portafolio. Un proyecto que alguien puede usar pesa más que diez que solo entrenan un modelo y lo dejan ahí. Reviso perfiles y entrevisto: te voy a decir qué proyecto me hace parar a mirar y cuál paso de largo en cinco segundos.
El error que casi todos repiten
Otro Titanic, otra predicción de casas, con 99% de accuracy. El problema no es que esté mal: es que es idéntico al de los otros 200 que apliqué la misma semana. No demuestra que sepas entregar —demuestra que seguiste el mismo tutorial que todos.
Qué sí demuestra
- Un problema que te importa de verdad. Algo tuyo, no un dataset famoso. Eso ya te separa del 90%.
- Dato real y sucio. Que tuviste que limpiar, unir y pelear. Ahí se ve el oficio.
- Que alguien pueda usarlo en vivo. Un endpoint, una app mínima, algo más allá del notebook. Eso grita "sé llevar esto a producción".
El detalle que gana la entrevista
Un README que explica decisiones, no qué hiciste: por qué este modelo y no otro, qué probaste y descartaste, qué falla todavía y qué harías con más tiempo. Eso es seniority hecho visible. Un junior muestra que funciona; un senior muestra que entiende por qué y qué puede salir mal. El README es donde demuestras cuál eres.
La idea que se queda
No necesitas diez proyectos. Necesitas uno real, desplegado, con un README que defienda cada decisión. Eso vale más que el certificado —porque el certificado lo tiene todo el mundo, y el criterio no.
Ver en video
La estructura del repo y qué poner en el README están en mi canal: Cristina Chapoñán | Data & IA — busca "Un proyecto de ML de cero a deploy".
¿Tu proyecto de portafolio tiene README de decisiones o solo de instrucciones? Cuéntame.