Este repositorio documenta mi journey completo a través del Internboot Data Science Internship, organizado por E2V (Employment Express Virtual Internship Program). El proyecto sigue una progresión estructurada desde fundamentos de data science hasta implementaciones avanzadas de machine learning y deployment.
- Beginner: Dominar fundamentos de análisis exploratorio y modelos básicos
- Intermediate: Implementar feature engineering y modelos multivariados
- Advanced: Desarrollar técnicas avanzadas y deployment de modelos
- Crear un portfolio completo que demuestre evolución en data science
- Implementar best practices en machine learning y reproducible research
Internboot/
├── BEGINNER_LEVEL/
│ ├── Task1_Exploratory_Sales_Analysis/
│ │ ├── notebooks/exploratory_analysis.ipynb
│ │ ├── scripts/data_cleaning.py
│ │ ├── results/visualizations/
│ │ ├── data/processed/
│ │ └── README.md
│ ├── Task2_Simple_Sales_Forecast/
│ │ ├── notebooks/simple_forecast.ipynb
│ │ ├── models/baseline_model.pkl
│ │ ├── results/forecast_metrics.json
│ │ └── README.md
│ └── Task3_Linear_Regression_Prediction/
│ ├── notebooks/linear_regression.ipynb
│ ├── models/linear_model.pkl
│ ├── results/regression_metrics.csv
│ └── README.md
├── INTERMEDIATE_LEVEL/
│ ├── Task1_Feature_Engineering/
│ │ ├── notebooks/feature_engineering.ipynb
│ │ ├── features/engineered_features.csv
│ │ ├── scripts/feature_pipeline.py
│ │ └── README.md
│ ├── Task2_Multiple_Regression/
│ │ ├── notebooks/multiple_regression.ipynb
│ │ ├── models/multivariate_model.pkl
│ │ ├── results/multivariate_metrics.csv
│ │ └── README.md
│ └── Task3_Time_Series_Regression/
│ ├── notebooks/time_series_regression.ipynb
│ ├── models/time_series_model.pkl
│ ├── results/time_series_metrics.json
│ └── README.md
├── ADVANCED_LEVEL/
│ ├── Task1_Ridge_Lasso_Regression/
│ │ ├── notebooks/regularized_regression.ipynb
│ │ ├── models/regularized_models/
│ │ ├── results/regularization_analysis/
│ │ └── README.md
│ ├── Task2_Regression_with_External_Data/
│ │ ├── notebooks/external_data_regression.ipynb
│ │ ├── data/external/
│ │ ├── models/external_data_model.pkl
│ │ └── README.md
│ └── Task3_Model_Deployment/
│ ├── deployment/app.py
│ ├── deployment/requirements.txt
│ ├── models/production_model.pkl
│ └── README.md
├── assets/
│ ├── images/
│ └── diagrams/
├── docs/
│ ├── project_report.pdf
│ └── technical_specifications.md
├── requirements.txt
└── README.md
Objetivo: Análisis exhaustivo del dataset de ventas minoristas
Tecnologías: Pandas, Matplotlib, Seaborn, NumPy
Logros:
- ✅ Análisis exploratorio de 50,000+ registros de ventas
- ✅ Limpieza y preprocesamiento de datos (missing values, outliers)
- ✅ Visualizaciones interactivas de tendencias y patrones
- ✅ Análisis de distribuciones y correlaciones
- ✅ Exportación de dataset limpio para análisis posteriores
Archivos clave: exploratory_analysis.ipynb, data_cleaning.py
Objetivo: Implementar modelos básicos de forecasting
Tecnologías: Scikit-learn, Statsmodels, Pandas
Logros:
- ✅ Modelos de series temporales básicos (Media móvil, Suavizado exponencial)
- ✅ Métricas de evaluación de forecast (MAE, RMSE, MAPE)
- ✅ Visualización de predicciones vs valores reales
- ✅ Análisis de residuos y patrones temporales
- ✅ Baseline para comparación con modelos avanzados
Archivos clave: simple_forecast.ipynb, baseline_model.pkl
Objetivo: Implementar y evaluar regresión lineal para predicción de ventas
Tecnologías: Scikit-learn, Linear Regression, Cross-validation
Logros:
- ✅ Implementación de regresión lineal simple y múltiple
- ✅ Validación cruzada para evaluación robusta
- ✅ Análisis de coeficientes e importancia de características
- ✅ Diagnóstico de modelos (residuos, homocedasticidad)
- ✅ Comparación con modelos baseline
Archivos clave: linear_regression.ipynb, linear_model.pkl
Objetivo: Crear y seleccionar características para mejorar modelos
Tecnologías: FeatureTools, Scikit-learn, Pandas
Logros:
- ✅ Creación de 50+ características temporales y categóricas
- ✅ Transformaciones (scaling, encoding, binning)
- ✅ Selección de características con RFE y importancia
- ✅ Pipeline de preprocesamiento reproducible
- ✅ Análisis de correlación y multicolinealidad
Archivos clave: feature_engineering.ipynb, engineered_features.csv
Objetivo: Implementar modelos de regresión multivariados
Tecnologías: Scikit-learn, Multiple Linear Regression, Polynomial Features
Logros:
- ✅ Regresión lineal múltiple con múltiples predictores
- ✅ Feature interactions y polynomial features
- ✅ Regularización básica (Ridge/Lasso introduction)
- ✅ Validación de supuestos de regresión
- ✅ Interpretación de coeficientes multivariados
Archivos clave: multiple_regression.ipynb, multivariate_model.pkl
Objetivo: Modelar relaciones temporales en datos de ventas
Tecnologías: Statsmodels, SARIMA, Facebook Prophet
Logros:
- ✅ Modelos ARIMA/SARIMA para series temporales
- ✅ Componentes de tendencia y estacionalidad
- ✅ Feature engineering temporal (lags, rolling statistics)
- ✅ Validación en series temporales (time-based split)
- ✅ Comparación con modelos de machine learning
Archivos clave: time_series_regression.ipynb, time_series_model.pkl
Objetivo: Implementar técnicas de regularización avanzada
Tecnologías: Scikit-learn, Regularization, Hyperparameter Tuning
Logros:
- ✅ Implementación completa de Ridge y Lasso regression
- ✅ Optimización de hiperparámetros con GridSearchCV
- ✅ Análisis de paths de regularización
- ✅ Selección automática de características con Lasso
- ✅ Comparación de sesgo-varianza entre modelos
Archivos clave: regularized_regression.ipynb, regularized_models/
Objetivo: Mejorar predicciones integrando datos externos
Tecnologías: Data Integration, Feature Union, Ensemble Methods
Logros:
- ✅ Integración de datasets externos (clima, economía, eventos)
- ✅ Feature engineering con datos multivariados
- ✅ Modelos ensemble con características extendidas
- ✅ Análisis de impacto de datos externos en precisión
- ✅ Validación cruzada temporal robusta
Archivos clave: external_data_regression.ipynb, external_data_model.pkl
Objetivo: Desplegar modelo en producción con interfaz web
Tecnologías: Streamlit, Pickle, Heroku/AWS
Logros:
- ✅ Serialización de modelo y pipeline
- ✅ Desarrollo de aplicación web con Streamlit
- ✅ Interfaz de usuario para predicciones en tiempo real
- ✅ Sistema de logging y monitoring
- ✅ Documentación API y uso
Archivos clave: app.py, production_model.pkl, requirements.txt
| Nivel | Mejor Modelo | R² Score | RMSE | MAE | Mejora vs Anterior |
|---|---|---|---|---|---|
| Beginner | Linear Regression | 0.72 | 152.3 | 118.5 | Baseline |
| Intermediate | Multiple Regression | 0.78 | 138.7 | 107.8 | +8.3% |
| Advanced | Regularized + External Data | 0.85 | 121.9 | 94.2 | +18.1% |
- Feature Engineering: +12% mejora en R²
- Regularización: +8% mejora con reducción de overfitting
- Datos Externos: +10% mejora en precisión predictiva
- Time Series Features: +15% captura de patrones temporales
# Frameworks principales
scikit-learn >= 1.2.0
statsmodels >= 0.13.0
prophet >= 1.1.0
xgboost >= 1.7.0
# Procesamiento de datos
pandas >= 1.5.0
numpy >= 1.21.0
featuretools >= 1.0.0
# Visualización
matplotlib >= 3.5.0
seaborn >= 0.11.0
plotly >= 5.10.0
# Deployment
streamlit >= 1.22.0
flask >= 2.0.0
joblib >= 1.2.0# Entorno y control de versiones
python = 3.9.0
jupyter = 1.0.0
git = 2.35.0
# Utilidades
scipy >= 1.9.0
optuna >= 3.1.0 # Para optimización avanzadagit clone https://github.com/MarioLeyser/Internboot.git
cd Internboot
python -m venv interboot_env
source interboot_env/bin/activate # Linux/Mac
interboot_env\Scripts\activate # Windows
pip install -r requirements.txt# Análisis exploratorio
jupyter notebook BEGINNER_LEVEL/Task1_Exploratory_Sales_Analysis/notebooks/
# Forecasting básico
jupyter notebook BEGINNER_LEVEL/Task2_Simple_Sales_Forecast/notebooks/
# Regresión lineal
jupyter notebook BEGINNER_LEVEL/Task3_Linear_Regression_Prediction/notebooks/# Feature engineering
jupyter notebook INTERMEDIATE_LEVEL/Task1_Feature_Engineering/notebooks/
# Regresión múltiple
jupyter notebook INTERMEDIATE_LEVEL/Task2_Multiple_Regression/notebooks/
# Series temporales
jupyter notebook INTERMEDIATE_LEVEL/Task3_Time_Series_Regression/notebooks/# Regularización avanzada
jupyter notebook ADVANCED_LEVEL/Task1_Ridge_Lasso_Regression/notebooks/
# Datos externos
jupyter notebook ADVANCED_LEVEL/Task2_Regression_with_External_Data/notebooks/
# Deployment (requiere Streamlit)
streamlit run ADVANCED_LEVEL/Task3_Model_Deployment/deployment/app.py- Estacionalidad Predictiva: Patrones consistentes mensuales y anuales
- Sensibilidad a Promociones: +25% ventas durante campañas promocionales
- Impacto de Variables Externas: Clima y economía explican 15% de varianza
- Diferencias por Categoría: Comportamientos distintos por familia de productos
- Feature Engineering > Model Complexity: Mejores características superan modelos complejos
- Regularización Esencial: Previene overfitting en datasets con muchas características
- Validación Temporal Crítica: Time-based split esencial para forecasting real
- Interpretabilidad vs Performance: Trade-off manejado con técnicas apropiadas
- Beginner: Pandas, EDA, Visualización, Estadística, Linear Models
- Intermediate: Feature Engineering, Multiple Regression, Time Series, Model Validation
- Advanced: Regularization, Ensemble Methods, Data Integration, Model Deployment
- ✅ Gestión de Proyectos: 9 tareas completadas secuencialmente
- ✅ Documentación: Código, resultados y reportes técnicos
- ✅ Metodología CRISP-DM: Aplicación de framework de data science
- ✅ Comunicación Técnica: Explicación de modelos complejos a no técnicos
- ✅ Best Practices: Version control, reproducible research, testing
- ✅ Completación 100%: 9/9 tareas completadas exitosamente
- ✅ Progresión Medible: Mejora continua en métricas de performance
- ✅ Portfolio Completo: Proyecto end-to-end desde EDA hasta deployment
- ✅ Código Production-Ready: Buenas prácticas y documentación
- ✅ Aprendizaje Applicado: Técnicas directamente aplicables en industria
- AutoML: Implementar Optuna para optimización automática
- Deep Learning: Probando LSTM/Transformers para series temporales
- MLOps: Pipeline CI/CD para modelos en producción
- Monitoring: Sistema de detección de drift de datos
- Sistema de Recomendación: Optimización de inventario cross-store
- Análisis de Sentimiento: Integración con reviews y redes sociales
- Computer Vision: Análisis de tráfico en tiendas físicas
- Análisis de Cohortes: Segmentación avanzada de clientes
Mario Leyser Vilca Zamora
🎓 Data Science Engineer | Machine Learning Specialist
📍 Lima, Perú
- GitHub: https://github.com/MarioLeyser
- LinkedIn: https://linkedin.com/in/mario-leyser
- Portafolio: [En desarrollo]
- Email: mario.leyser.vz@gmail.com
Este proyecto está bajo la Licencia MIT - ver el archivo LICENSE para detalles.
- E2V por el Internboot Data Science Internship Program
- Employment Express por la estructura educativa y oportunidades
- Comunidad Open Source por las herramientas y conocimiento
- Mentores por la guía durante el desarrollo del proyecto