17 proyectos mostrados en Todos.
ARMATUS
Founder · Producción · NLP / LLMs
Un coach de iPhone que arma la semana de entrenamiento — no una plantilla que se recorre a toques.
ARMATUS es un producto de iOS de consumo construido alrededor de un protocolo cerrado: Calibrar → Planear → Adaptar → Ejecutar → Evolucionar. El onboarding profundo (metas, equipo, lesiones, horario, estilo de vida, deportes externos) se vuelve el modelo del atleta. Cada semana se genera con un mapa de sobrecarga y una justificación explícita; el coach diario dosifica la sesión contra energía, sueño, tiempo y un techo de readiness, para que el plan ceda a la capacidad y no al ego. El tracker registra series contra un estándar de técnica, con esquemas de setup, respiración y errores comunes. Journey guarda PRs, volumen y carga de deporte híbrido como el dataset del que se regenera la semana siguiente. Correr, ciclismo, natación y triatlón entran al algoritmo como fatiga real, no como una nota al margen. Español e inglés desde el día uno. App móvil en producción más una API de streaming para generar el plan estructurado.
iOS app publicada5-step protocolo cerradoES / EN bilingüe
TypeScript · iOS · Generative AI · Streaming API · Design system
COAZON
Founder · IA en salud · NLP / LLMs
La receta de un cardiólogo, convertida en un plan de cuidado que una familia sí puede seguir.
COAZON convierte la receta del médico en un plan vivo del hogar: recordatorios flexibles de medicación que toleran un día real, un diario guiado de presión y signos vitales con tendencias marcadas por zona clínica, un motor determinista de banderas rojas ligado a una pantalla de emergencia, y un PDF listo para la siguiente cita. La capa de IA está acotada a propósito: lee recetas, acepta registro en lenguaje natural y escribe resúmenes descriptivos, pero nunca diagnostica, receta ni cambia una dosis, y cada respuesta de salud se remite al médico tratante. Sin API key se degrada a modo fully manual y la app sigue funcionando. Español primero y bilingüe desde el día uno, porque esa es la casa para la que se construyó. FastAPI y PostgreSQL en el servidor; React Native (Expo) en el cliente.
7 hitos, 6 completos0 diagnósticos de IA, por diseñoES / EN bilingüe
FastAPI · SQLAlchemy 2.0 · PostgreSQL · Alembic · JWT auth
En desarrollo — etapa de pulido para App Store. Una herramienta de registro y recordatorios, no un dispositivo médico: nunca diagnostica, receta ni recomienda. Repositorio privado.
Engines Health Monitor
Mantenimiento predictivo · Producción · NLP / LLMs
Vida útil restante de flota que puedes consultar en inglés — y descargar como briefing.
Un servicio de mantenimiento predictivo de punta a punta sobre los datos de degradación de turbofán NASA C-MAPSS. XGBoost estima la vida útil restante por motor; SHAP atribuye la predicción a sensores individuales para que un técnico vea qué lectura se movió. FastAPI sirve inferencia; un dashboard Streamlit es la superficie de flota. Encima, una capa multi-agente LangGraph responde preguntas de diagnóstico en inglés y escribe un briefing de mantenimiento en PDF con ReportLab. Todo el stack corre en Google Cloud Run, así que el demo es la forma de producción, no un screenshot local. RMSE de test 16.74 ciclos, MAE 12.33, R² 0.825.
16.74 RMSE de test (ciclos)12.33 MAE de test0.825 R² de test15.02 RMSE de validación
XGBoost · SHAP · FastAPI · Streamlit · LangGraph
Personal Research Assistant
NLP / LLMs · Producción
Habla con tus PDFs. Cada respuesta muestra el fragmento del que salió.
Un servicio de generación aumentada por recuperación: sube un PDF, córtalo en chunks de 1000 tokens con overlap de 100, embede con text-embedding-3-small, guarda en Chroma, recupera con MultiQueryRetriever y responde con GPT-4o anclado solo a esos chunks — las fuentes siempre visibles. Construido y probado contra la propia tesis de HRV, indexada a 149 segmentos que cubren features como RMSSD y pNN50. FastAPI detrás de un cliente Streamlit, para que el mismo patrón se siente delante de cualquier conjunto de documentos, no solo este.
149 segmentos indexados1000/100 chunk / overlap100% respuestas citan fuente
FastAPI · LangChain · ChromaDB · GPT-4o · text-embedding-3-small
ADHD & Sex Prediction
IA en salud
Apoyo al tamizaje con equidad y explicaciones, no una caja negra.
1,213 participantes. Selección de features por información mutua, KernelPCA y splits estratificados alimentan un Random Forest para TDAH y una regresión logística para sexo, con el modelo de sexo afinado hacia recall femenino. LIME y SHAP cargan las explicaciones para que un hallazgo se inspeccione, no solo se califique. La equidad se reporta por sexo a propósito. Accuracy de TDAH 82%, recall 0.88–0.90, AUC 0.866; recall de sexo 0.71 hombres / 0.48 mujeres — la brecha está en la página, no en un apéndice.
82% accuracy TDAH0.88–0.90 recall TDAH0.866 AUC TDAH0.71 / 0.48 recall sexo H / M
scikit-learn · XGBoost · Keras · SHAP · LIME
Investigación académica. No es un dispositivo clínico.
Cardiovascular Risk Classification
IA en salud
ML clínico sin fugas — y la prueba de que un AUC pooled puede mentir.
920 pacientes en cuatro sitios. Los ceros centinela de colesterol y presión en reposo se mapean a NaN, y el ColumnTransformer vive dentro de la validación cruzada para que nada se filtre del fold de hold-out. HistGradientBoosting se elige por recall y luego F1, explicado con SHAP y LIME. Leave-One-Site-Out expone la brecha de transportabilidad que el score pooled esconde: ROC-AUC de test 0.90, recall 87.3%, F1 0.85 — AUC medio LOSO 0.79, peor sitio ≈ 0.70. Drivers principales: dolor torácico asintomático, oldpeak, angina inducida por ejercicio.
0.90 ROC-AUC de test87.3% recall0.85 F10.79 AUC medio LOSO
scikit-learn · HistGradientBoosting · SHAP · LIME · ColumnTransformer
Educativo. No es un instrumento clínico validado. AUC del peor sitio ≈ 0.70.
Motor Performance Monitoring
Mantenimiento predictivo
Salud de máquina interpretable a partir de vibración y temperatura — y un primer lugar por ello.
Un sistema industrial de mantenimiento preventivo construido alrededor de vibración y temperatura en vivo. Perfila dos máquinas muy distintas — un motor de inducción trifásico Sumitomo con baseline en cinco velocidades (50/60/75/90/100%) y un Haas Mini Mill con baseline a partir de trayectorias operativas combinadas — y aplica umbrales adaptativos específicos, porque un centro de maquinado es legítimamente más ruidoso que un motor. Un lector serial en hilos con reconexión automática alimenta los sensores a scores de salud 0–100 en un dashboard Streamlit, con modo replay para demos sin hardware y diagnósticos de paquetes/FPS en vivo. Deliberadamente basado en reglas y no en ML: cada alarma remite a la estadística que la disparó, que es lo que un equipo de mantenimiento puede actuar y auditar. Primer lugar en Tec Expo Ingenierías; reconocimiento de Rockwell Automation por contribución a un proyecto de integración con su tecnología (Nuevo León, diciembre 2025).
1st Tec Expo Ingenierías2 tipos de máquina perfilados5 baselines de velocidad0–100 score de salud
Python · Streamlit · Signal processing · Serial / IoT · Statistical thresholds
Primer lugar en Tec Expo Ingenierías, la competencia de proyectos de ingeniería del Tecnológico de Monterrey. Reconocimiento de Rockwell Automation por contribución a un proyecto de integración con su tecnología (Nuevo León, dic 2025).
HRV Emotion Recognition
IA en salud
De PPG crudo a modelos de emoción bajo leave-one-participant-out.
Tesis de MSc en la University of Essex. La fotopletismografía cruda se filtra con Butterworth; se extraen intervalos entre latidos; se calculan features de HRV en tiempo, frecuencia (Welch PSD) y no lineales — incluidos descriptores de Poincaré — y se normalizan contra un baseline de calibración por sujeto. Selección por información mutua, grid search anidado y validación leave-one-participant-out / leave-one-group-out comparan Random Forest, XGBoost y SVR para arousal continuo. Mejor resultado: Pearson r = 0.5975, RMSE 0.154 ± 0.032, en 62 participantes. LOPO es el punto: el modelo tiene que funcionar en una persona con la que no se entrenó.
0.5975 Pearson r (arousal)0.154 RMSE ± 0.03262 participantes
Python · NeuroKit2 · SciPy · scikit-learn · Signal processing
Tesis de MSc in Artificial Intelligence, University of Essex — Random Forest, validado LOPO. Awarded Distinction.
WellHave
IA en salud · NLP / LLMs
Pulso diario de entrada; un nivel de riesgo y un plan de recuperación de salida.
Un clasificador de tres niveles ordena un pulso diario en riesgo bajo, moderado o alto de burnout; GPT-4o a través de LangChain convierte esa señal en un plan de recuperación concreto — no un discurso motivacional. Backend FastAPI, cliente React Native (Expo), Supabase para el estado. El modelo decide el nivel; el modelo de lenguaje solo puede coachar dentro de él.
3 niveles de burnoutMobile cliente Expo
FastAPI · GPT-4o · LangChain · React Native · Expo
Advanced Contact Segmentation
Producción
Clustering que convierte una lista de contactos en una estrategia de engagement.
Prueba de concepto para Interius / APREU: segmentos no supervisados por engagement, geografía × engagement y actividad de canal, empaquetados como app Streamlit, contenedorizados y desplegados en Google Cloud Run para que los stakeholders los abrieran ellos mismos. La misma forma «del notebook a Cloud Run» que el dashboard de RUL posterior.
scikit-learn · Clustering · Streamlit · Docker · Cloud Run
California House Price Estimator
Pronóstico · Producción
Del notebook al endpoint, sin el hueco en medio.
El análisis exploratorio lleva a un pipeline RandomForest, servido detrás de una ruta FastAPI /predict con un frontend HTML responsive encima. El ejercicio es el medio que falta en la mayoría de los cursos: el modelo entrenado es una API, no una celda al final de un notebook.
scikit-learn · RandomForest · FastAPI · HTML
Rossmann Sales Forecasting
Pronóstico
1,115 tiendas, un horizonte de seis semanas, una red feed-forward.
Un MLP 128-64-32 con dropout 0.3, Adam y early stopping pronostica ventas diarias en una ventana de seis semanas para 1,115 tiendas Rossmann, entrenado sobre features de calendario, promoción y tienda. RMSE ~0.06 en la escala de features de este proyecto (la métrica oficial de Kaggle es RMSPE — se anota para que el número no se sobrelea).
1,115 tiendas~0.06 RMSE en features ingenierizadas
TensorFlow · Keras · Feature engineering · Pandas
RMSE reportado en la escala de features de este proyecto; la métrica oficial de Kaggle es RMSPE.
Text Emotion Recognition
NLP / LLMs
Seis emociones en 416k tweets.
Bag-of-words con stemming alimenta un clasificador XGBoost, validado con K-fold estratificado en seis clases de emoción sobre unos 416,000 tweets. 87.5% de accuracy. Un baseline clásico de NLP — útil como control «antes de transformers», y como prueba de que la misma familia de boosting usada en sensores también sostiene texto.
87.5% accuracy~416k tweets
XGBoost · NLTK · Bag-of-Words · scikit-learn
Hybrid Movie Recommender
NLP / LLMs
Colaborativo y basado en contenido, y luego los dos a la vez.
Filtrado colaborativo SVD, similitud de contenido TF-IDF y un blend híbrido de ambos, envuelto en una interfaz Flask. RMSE SVD 0.477 contra un baseline de 3.624 — la mitad colaborativa hace el trabajo; la de contenido cubre el cold-start que el SVD no puede.
0.477 RMSE SVD3.624 RMSE baseline
Surprise / SVD · TF-IDF · Flask · Pandas
Politrauma
IA en salud · Producción
Flujos de politrauma, paso a paso.
Una herramienta web interactiva de educación clínica que guía a estudiantes por la evaluación de politrauma y las rutas de decisión en trauma. Construida para enseñar, no para la cama: TypeScript en Vercel, abierta para que una cohorte recorra el mismo caso. Explícitamente no es un dispositivo médico.
TypeScript · HTML · Vercel
Educativo. No es un dispositivo médico.
TurtleBot Navigation
Robótica
PID y lógica difusa decidiendo en tiempo real.
Seguimiento de borde y evitación de obstáculos en un TurtleBot, con reglas difusas y control PID actuando sobre lecturas de sensores en vivo. Curso de Intelligent Systems and Robotics en Essex — la mitad de teoría de control de la carrera de mecatrónica, corriendo en un robot y no en Simulink.
Python · ROS · Fuzzy logic · PID
Rocket Landing Neural Network
Robótica
Una red neuronal escrita desde cero, sin framework.
Forward pass, backpropagation, inicialización Xavier y normalización de entrada implementados a mano en NumPy, y luego volados contra aterrizajes simulados. El punto del ejercicio es que el trabajo posterior en TensorFlow no es magia: la regla de actualización se escribió.
Python · NumPy · Backpropagation
