Estudio inteligencia artificial y aprendo construyendo proyectos completos: del dato crudo al modelo entrenado, evaluado sin trampas y servido en una API. Todo con el código público.
Proyectos seleccionados
Credit Risk Platform
ROC-AUC 0,78 · umbral por coste 0,14
Plataforma MLOps de scoring de crédito de punta a punta: entrenamiento reproducible con registro de modelos versionado, API de inferencia en FastAPI con validación de entrada, monitorización de drift por PSI y observabilidad con Prometheus y Grafana, todo dockerizado y con CI. Código en github.com/delcenjo/credit-risk-platform.
Ver proyecto
Transformer from scratch
Perplejidad 6,89 · estudio de ablaciones
Modelo de lenguaje tipo GPT implementado desde cero en PyTorch: atención multi-cabeza, máscara causal y bloques residuales escritos a mano, más un tokenizador byte-pair propio y un estudio de ablaciones. Código en github.com/delcenjo/transformer-from-scratch.
Ver proyecto
Esta misma web
Worker de 1,7 MB · 142 páginas · lab en el navegador
Este porfolio está construido a mano con Next.js y desplegado en Cloudflare Workers, con un laboratorio de modelos que corre entero en el navegador y despliegue continuo en cada commit. Código en github.com/jmweb-org/jmweb-pag-web.
Ver proyecto
Credit Risk Model
ROC-AUC 0,779 en test · 30.000 clientes
Modelo de riesgo de impago con evaluación rigurosa: pipeline sin fugas, comparación por validación cruzada, probabilidades calibradas, umbral de decisión por coste de negocio y análisis de error por segmento. Código en github.com/delcenjo/credit-risk.
Ver proyecto
AI Insight Assistant
Router: RAG + agente SQL tras una sola caja
Asistente que combina RAG y un agente SQL: recupera de un corpus documental y consulta una base de datos, servido con FastAPI y Streamlit y empaquetado en Docker. Código en github.com/delcenjo/ai-insight-assistant.
Ver proyecto
RAG Document Assistant
Recall@4 0,88 · demo en vivo en HF Spaces
Asistente de generación aumentada por recuperación sobre un corpus de documentos: indexado, recuperación semántica y respuestas con cita de la fuente. Código en github.com/delcenjo/rag-document-assistant.
Ver proyecto
LLM SQL Agent
Solo lectura, con traza · demo en vivo
Agente con LLM que responde preguntas sobre una base de datos SQL: traduce lenguaje natural a consultas, las ejecuta en modo solo lectura y resume el resultado. Código en github.com/delcenjo/llm-sql-agent.
Ver proyecto
LLM Eval Harness
Baseline 0,840 acc · macro-F1 0,853
Arnés de evaluación que compara un LLM con clasificadores baseline en una tarea concreta: métricas reproducibles para saber cuándo el LLM merece la pena y cuándo no. Código en github.com/delcenjo/llm-eval-harness.
Ver proyecto
Text Summarizer
Chunking de 700 palabras · demo en vivo
Resumidor de texto abstractivo con troceado para documentos largos: paquete, CLI y demo en vivo. Código en github.com/delcenjo/text-summarizer.
Ver proyecto
Customer Churn Prediction
CV ROC-AUC 0,845 · ganó el modelo simple
Pipeline de ML de punta a punta para predecir la fuga de clientes de telecomunicaciones: preparación de datos, modelado y evaluación. Código en github.com/delcenjo/customer-churn-prediction.
Ver proyectoHay más proyectos públicos en GitHub.
Ver todos los proyectosHecho con
Las herramientas, funcionando
$ Comandos reales con su salida real, de mi suite open-source en PyPI.
Machine learning que puedes tocar
Modelos de verdad corriendo en tu navegador. Sin vídeos, sin trucos.
La red que aprende delante de ti
Dibuja puntos y mira cómo encuentra la frontera.
Abrir experimentoDibuja un número y te lo reconoce
Un modelo entrenado con 30.000 dígitos, corriendo aquí.
Abrir experimentoDentro de la atención de un transformer
Los pesos reales del transformer que escribí desde cero.
Abrir experimento¿Te pica la curiosidad?
Creative technologist Building small universes with code *
Del dato crudo al modelo desplegado
Pipelines de Machine Learning
Del dato crudo al modelo entrenado: preparación de datos, validación sin fugas, comparación de modelos y evaluación honesta. Reproducible y testeado, no un notebook suelto.
Ver más
Aplicaciones con LLMs
RAG sobre documentos, agentes que consultan datos y aplicaciones con modelos de lenguaje, con la evaluación necesaria para saber si de verdad funcionan.
Ver más
Despliegue y MLOps
Sacar el modelo del notebook: API de inferencia, contenedores, CI/CD, registro de versiones y monitorización de drift. Que no se quede en la demo.
Ver más
Machine Learning
Deep Learning
MLOps
NLP y LLMs
RAG y embeddings
Servir modelos
Datos tabulares
Python
Cada proyecto parte de una idea simple: no entiendes un modelo hasta que lo entrenas, lo evalúas y lo sirves tú mismo.
Soy José, estudiante de inteligencia artificial y machine learning en Madrid. Aprendo construyendo proyectos de principio a fin: pipelines de datos, modelos de ML, aplicaciones con LLMs y el despliegue para que nada se quede en el notebook.
Intento que el rigor pese más que la demo: validación sin fugas, evaluación honesta, probabilidades calibradas y decisiones atadas a un coste real, no a una métrica bonita.
Ahora mismo: proyectos end-to-end de ML clásico, RAG y agentes, una suite de herramientas open-source publicada en PyPI y contribuciones en Cylstat. Sigo aprendiendo todos los días.
RAG: respuestas verificables sobre documentos propios
Cómo funciona la generación aumentada por recuperación: indexado, recuperación semántica, chunking y evaluación. Por qué cada respuesta debe poder citar de dónde viene …
