Plan ML 36W — Roadmap y Portafolio

Objetivo: en 6–12 meses, construir base sólida de ML, publicar 3 proyectos con demo y prepararse para Google Professional Machine Learning Engineer (PMLE).

• Estudio: 6 h/semana · 36 semanas.
• Herramientas: Python/Linux, Platzi, Cursor-AI, Kaggle, GCP (Vertex AI), GitHub Actions.
• Guía por defecto: “Plan ML 36W”.

Cómo usar este repo

1. Cada semana crea/actualiza el issue de la semana (W##) usando la plantilla.
2. Trabaja en weeks/W## y/o en un proyecto bajo projects/.
3. Sube entregables con commits pequeños y PRs enlazados al issue.
4. Marca el issue como Done al cumplir los criterios de aceptación.

Estructura

• weeks/W##: notebooks, scripts y notas semanales.
• projects/: 3 proyectos principales de portafolio.
• src/: utilidades compartidas (p. ej., features.py, train.py).
• tests/: pruebas con pytest.

Roadmap (W1–W36)

Semana	Tema breve	Issue	Estado
W01	Entorno & Pandas	#W01	☐
W02	Estadística I	#W02	☐
W03	Probabilidad I	#W03	☐
W04	Álgebra lineal I	#W04	☐
W05	Ingeniería de datos básica	#W05	☐
W06	Métricas & validación	#W06	☐
W07	Buenas prácticas + CI	#W07	☐
W08	SQL & datos	#W08	☐
W09	Regresión lineal/regularización	#W09	☐
W10	Clasificación lineal	#W10	☐
W11	Árboles & Ensembles	#W11	☐
W12	Tuning & Pipelines	#W12	☐
W13	No supervisado (PCA/Clustering)	#W13	☐
W14	Series de tiempo (🟦)	#W14	☐
W15	NLP clásico (TF-IDF)	#W15	☐
W16	Capstone clásico	#W16	☐
W17	API (FastAPI)	#W17	☐
W18	Docker	#W18	☐
W19	Monitoreo	#W19	☐
W20	MLflow/Evidently	#W20	☐
W21	CI/CD	#W21	☐
W22	API pública + UI	#W22	☐
W23	PyTorch básico	#W23	☐
W24	Visión (🟦)	#W24	☐
W25	NLP moderno (🟦)	#W25	☐
W26	Regularización & trucos DL	#W26	☐
W27	Serving DL	#W27	☐
W28	Capstone DL	#W28	☐
W29	GCP fundamentos	#W29	☐
W30	BigQuery/Dataflow (🟦)	#W30	☐
W31	Vertex AI (train)	#W31	☐
W32	Vertex Pipelines	#W32	☐
W33	Vertex Prediction/Monitoring	#W33	☐
W34	PMLE Focus	#W34	☐
W35	Portafolio & entrevistas	#W35	☐
W36	Simulacro PMLE & búsqueda	#W36	☐

Marca con ✅ al cerrar cada issue.

Proyectos clave

• P1 — Capstone clásico (tabular + SHAP + métricas claras)
• P2 — API pública (FastAPI + Docker + CI/CD + monitoreo + demo)
• P3 — Deep Learning (NLP o CV + serving)
• P4 — Vertex AI (pipeline end-to-end + monitoring)

Criterios de calidad

• Tests (pytest), CI verde, Dockerfile, README con diagrama y demo, costos/latencia documentados, límites y próximos pasos.

Pedidos de ayuda (formato)

Plan ML 36W | Semana: W## | Tarea: <detalle> | Contexto: <dataset/objetivo> | Entregable: <notebook/script/metrics>