Ingeniería de ML · Aprendizaje · Madrid
Aprendiendo ingeniería de machine learning en Madrid
Soy estudiante de IA y machine learning en Madrid, y mi objetivo es ser ingeniero de ML. Mientras llego, practico como si ya lo fuera: construyo pipelines de datos, entreno y evalúo modelos, los sirvo en una API y los monitorizo. Del notebook al sistema, con el código público en cada paso.
Ingeniería, no demos
La diferencia entre un notebook y un sistema es la ingeniería que hay en medio: validación sin fugas, evaluación honesta, pipeline reproducible, API con esquemas de entrada, monitorización de drift y un registro de versiones. Eso es lo que practico en cada proyecto.
Tabular, NLP y LLMs
Gradient boosting para datos tabulares, transformers y embeddings para texto, y aplicaciones con LLMs cuando el problema lo pide. Implementé un transformer desde cero en PyTorch precisamente para entender qué hay dentro cuando algo falla.
El despliegue como parte del diseño
Intento diseñar cada modelo pensando desde el principio en cómo va a servirse: qué formato de entrada, qué umbral de decisión según el coste, cómo versionar y cómo detectar cuándo los datos nuevos se alejan del entrenamiento.
Aprender en público
Todos mis proyectos están en GitHub con su README, sus tests y su evaluación. También publico una suite de herramientas CLI para flujos de ML en PyPI. Aprender en público me obliga a un nivel de acabado que un notebook privado no exige.
¿Feedback, una duda o una oportunidad?
Todo mi trabajo está en GitHub y documentado en esta web. Si quieres comentarme algo o crees que puedo encajar en tu equipo, escríbeme.
EscríbemeFAQ
¿Qué hace exactamente un ingeniero de machine learning?
Diseña y construye el sistema completo: recoge y prepara los datos, define el problema correctamente, entrena y evalúa el modelo, lo despliega y lo monitoriza. Es distinto de un data scientist puro (más análisis exploratorio) o un data engineer puro (más infraestructura de datos). Es el perfil hacia el que estudio.
¿Qué estás estudiando ahora?
Las matemáticas detrás del ML con libros técnicos (Mathematics for Machine Learning, Elements of Statistical Learning, PRML), y la parte de ingeniería practicándola: cada concepto que leo intento aterrizarlo en un proyecto real. En paralelo colaboro en Cylstat y en proyectos open source.
¿Qué tecnologías usas?
Python con scikit-learn, XGBoost y LightGBM para ML clásico; PyTorch para deep learning y NLP; FastAPI y Pydantic para APIs; Docker y GitHub Actions para infraestructura; Prometheus y Grafana para monitorización. Para LLMs, APIs de OpenAI y Anthropic y modelos de HuggingFace.
¿Qué puedo ver de tu trabajo?
Nueve proyectos end-to-end en github.com/delcenjo (riesgo de crédito con MLOps completo, transformer desde cero, RAG, agente SQL, evaluación de LLMs) y una suite de herramientas CLI en github.com/jmweb-org, publicada en PyPI con tests y CI. Esta web documenta cada uno.
¿Buscas prácticas o un puesto junior?
Sí. Prácticas o primer puesto junior en datos o machine learning, en Madrid o en remoto. Si crees que alguien que aprende así encajaría en tu equipo, escríbeme por el formulario de contacto.