Plataforma ML COVID-19
Proyecto universitario de machine learning que predice los casos diarios de COVID-19 por país a partir de unos 330.000 registros: modelo Random Forest, API en FastAPI, interfaz en React y todo el sistema en contenedores con Docker Compose.
- Estado
- Terminado
- Tipo
- Académico
- Desde
- mayo de 2026
- Mi rol
- Desarrollo individual: preparación de datos, entrenamiento del modelo, API, interfaz y contenedores.
- Stack
- Pythonscikit-learnpandasFastAPISQLAlchemySQLiteReactViteDocker
Problemas y cómo los resolví
- 01
ProblemaUn modelo entrenado no aporta valor si solo funciona dentro de un cuaderno de análisis.
SoluciónLo convertí en un servicio: el modelo se entrena una vez, se guarda como artefacto y una API en FastAPI lo carga para responder predicciones a cualquier aplicación.
- 02
ProblemaLas predicciones y el desempeño del modelo debían quedar registrados para poder revisarlos.
SoluciónCada predicción se guarda en SQLite con sus datos de entrada, y la interfaz muestra el historial y las métricas del modelo (MAE, RMSE y R²).
- 03
ProblemaEl proyecto debía ejecutarse igual en cualquier computador, sin instalar dependencias a mano.
SoluciónBackend, frontend y entrenamiento en contenedores separados con Docker Compose; el entrenamiento se ejecuta como un perfil independiente.
- 04
ProblemaLa evaluación inicial reportaba un R² de 0,996: un resultado demasiado bueno para ser real.
SoluciónAl revisarla aparecieron dos fugas de datos: el modelo recibía el total acumulado del mismo día y la división aleatoria mezclaba días vecinos entre entrenamiento y prueba. Con un corte por fechas y solo datos del pasado, el R² real es cercano a 0,79.