Resumen ejecutivo

• Cuatro proyectos de deep learning con Python, de menor a mayor dificultad: clasificador de imágenes, análisis de sentimiento de reseñas en español, predicción de series de tiempo y detección de objetos con un modelo preentrenado.

• Cada proyecto entrena un concepto clave (redes convolucionales, procesamiento de texto, redes recurrentes, transfer learning) y se puede hacer gratis en Google Colab con Keras o PyTorch.

• Incluye qué dataset usar, cuánto tiempo lleva aproximadamente y cómo documentarlo en GitHub para que un reclutador lo entienda en dos minutos.

• La clave del portfolio no es la precisión del modelo, sino mostrar que entendés el problema, las decisiones que tomaste y sus límites.

Leíste qué es el deep learning, entendiste qué es una red neuronal y quizás hasta seguiste un tutorial. ¿Y ahora? El salto entre «sé qué es» y «puedo mostrar que sé hacerlo» se da con proyectos propios. Para quien busca su primer trabajo en datos o IA, un portfolio con dos o tres proyectos bien documentados pesa más que una lista de certificados, porque le muestra al reclutador cómo pensás. En esta guía te proponemos cuatro proyectos de deep learning para principiantes con Python, ordenados por dificultad, con el concepto que entrena cada uno y cómo presentarlo para que destaque.

Antes de empezar: el entorno mínimo

• Python básico: variables, funciones, listas, diccionarios y manejo de librerías como NumPy y pandas. Si estás en ese paso, empezá por esta guía de Python para análisis de datos.

• Google Colab: Colab te da notebooks en el navegador con acceso a GPU gratuita (con límites de uso), así que no necesitás una computadora potente.

• Un framework: Keras es más amigable para empezar; PyTorch es muy usado en investigación y en la industria. Elegí uno y quedate con él en los primeros proyectos.

• Conceptos base: si todavía no tenés claro cómo funciona una red neuronal, repasá qué es el deep learning y cómo empezar a aprenderlo.

Proyecto 1: clasificador de imágenes

Qué construís: un modelo que recibe una imagen y dice a qué categoría pertenece (por ejemplo, avión, auto, pájaro, gato).

Concepto que entrena: redes neuronales convolucionales (CNN), capas de convolución y pooling, sobreajuste y técnicas para evitarlo como data augmentation y dropout.

Dataset: CIFAR-10, que viene listo para cargar en Keras: 50.000 imágenes a color de 32x32 para entrenamiento y 10.000 para prueba, en 10 clases.

Tiempo estimado: un fin de semana.

Pasos:

1. Cargá y normalizá las imágenes.

2. Armá una CNN simple de dos o tres bloques convolucionales.

3. Entrená, graficá la curva de pérdida y precisión en entrenamiento y validación.

4. Sumá data augmentation y compará resultados.

5. Mostrá una matriz de confusión: ¿qué clases confunde más el modelo y por qué?

Para que destaque: en lugar de quedarte en CIFAR-10, repetí el proceso con un problema propio, por ejemplo clasificar fotos de productos o de hojas de plantas, y contá qué cambió.

Proyecto 2: análisis de sentimiento de reseñas en español

Qué construís: un modelo que lee una reseña (de un producto, un restaurante o una app) y la clasifica como positiva, negativa o neutra.

Concepto que entrena: procesamiento de lenguaje natural, tokenización, embeddings y, en una segunda versión, ajuste fino (fine-tuning) de un modelo de lenguaje preentrenado.

Dataset: buscá en Hugging Face Datasets o en Kaggle conjuntos de reseñas en español, o armá el tuyo con reseñas públicas etiquetadas a mano. Revisá siempre la licencia de uso.

Tiempo estimado: una a dos semanas.

Pasos:

1. Limpiá el texto y separá entrenamiento, validación y prueba.

2. Entrená un modelo base simple (embeddings + capa densa) como punto de comparación.

3. Ajustá un modelo preentrenado multilingüe o en español usando la librería Transformers.

4. Compará los dos enfoques y mostrá ejemplos donde el modelo se equivoca (ironía, modismos locales, negaciones).

Para que destaque: el análisis de errores en español rioplatense o latinoamericano es un diferencial real, porque muchos modelos se entrenan mayormente en inglés.

Proyecto 3: predicción de series de tiempo

Qué construís: un modelo que predice valores futuros a partir de datos históricos, por ejemplo consumo de energía, demanda de un producto o pasajeros de transporte.

Concepto que entrena: redes recurrentes (RNN, LSTM), ventanas temporales, escalado de datos y comparación contra modelos simples. En CoderLibrary tenemos una nota sobre redes neuronales recurrentes en Python que te sirve de base.

Dataset: el portal de datos abiertos datos.gob.ar publica series de distintos organismos del Estado argentino. Elegí una con frecuencia diaria o mensual y suficiente historia.

Tiempo estimado: una a dos semanas.

Pasos:

1. Explorá la serie: tendencia, estacionalidad, valores faltantes.

2. Armá un modelo de referencia ingenuo (por ejemplo, «mañana va a ser igual que hoy»).

3. Entrená una LSTM con ventanas de datos pasados.

4. Compará el error de ambos modelos. Si la red no le gana al modelo simple, contalo: es una conclusión valiosa.

Para que destaque: usar datos argentinos y explicar el contexto (por qué hay picos, qué eventos explican cambios) muestra criterio de negocio, no solo técnico.

Proyecto 4: detección de objetos con un modelo preentrenado

Qué construís: una aplicación que detecta y encuadra objetos en imágenes o video, por ejemplo personas, autos o productos en una góndola.

Concepto que entrena: transfer learning, detección de objetos (cajas delimitadoras, confianza), y ajuste de un modelo existente a clases propias.

Herramienta: la librería de Ultralytics YOLO permite usar modelos preentrenados y ajustarlos con pocas líneas de código.

Tiempo estimado: dos a tres semanas, incluida la etapa de etiquetar tus propias imágenes.

Pasos:

1. Probá el modelo preentrenado con imágenes propias.

2. Elegí un caso concreto (por ejemplo, detectar cascos de seguridad o un tipo de producto).

3. Etiquetá un conjunto chico de imágenes y ajustá el modelo.

4. Armá una demo simple con Gradio o Streamlit para que cualquiera pueda probarlo.

Para que destaque: una demo funcionando vale más que cualquier captura. Si querés ideas de aplicaciones reales, mirá estos casos de uso de computer vision en empresas.

Cómo documentar cada proyecto en GitHub

Un reclutador o líder técnico va a dedicarle poco tiempo a cada repositorio. Hacé que esos minutos rindan:

• README con estructura fija: problema, dataset, enfoque, resultados, limitaciones y próximos pasos.

• Resultados visuales: curvas de entrenamiento, matriz de confusión, ejemplos de predicciones correctas e incorrectas.

• Reproducibilidad: archivo de dependencias, link al notebook de Colab y semillas fijas.

• Honestidad técnica: explicá qué no funcionó y por qué. Es una de las señales más valoradas en perfiles junior.

• Código ordenado: separá la carga de datos, el modelo y la evaluación en funciones claras.

Para ver cómo encaja todo esto en un portfolio completo, te recomendamos cómo armar tu portfolio de IA para conseguir trabajo y la guía de portfolio de Data Science.

Cursos recomendados de Coderhouse

• Curso de Python: la base para cualquier proyecto de deep learning, con fundamentos, estructuras de datos y aplicaciones prácticas.

• Curso de Data Analytics: para fortalecer el análisis y la visualización de datos que acompañan cada modelo.

• Curso de AI Engineering: el siguiente paso para diseñar y construir sistemas de IA confiables en entornos reales.

¿Querés pasar de los tutoriales a proyectos propios? Empezá por el curso de Python de Coderhouse y armá tu primer modelo con acompañamiento de profesores en vivo.

Preguntas frecuentes

¿Necesito una computadora potente para hacer proyectos de deep learning? No para empezar. Google Colab ofrece GPU gratuita con límites de uso, suficiente para los cuatro proyectos de esta guía con datasets chicos o medianos.

¿Conviene aprender Keras o PyTorch? Keras es más simple para dar los primeros pasos; PyTorch es muy usado en investigación y en muchos equipos de la industria. Lo importante es entender los conceptos: después pasar de uno a otro es relativamente rápido.

¿Cuántos proyectos necesito en mi portfolio? Dos o tres bien documentados valen más que diez a medio terminar. Elegí proyectos que muestren conceptos distintos y, si podés, al menos uno con datos propios o locales.

¿Qué matemática necesito para hacer estos proyectos? Para empezar alcanza con nociones de álgebra lineal, derivadas y probabilidad a nivel conceptual. Podés profundizar a medida que avanzás; recursos como el Machine Learning Crash Course de Google ayudan a reforzar la base.