Machine Learning para detectar departamentos subvaluados en CABA | Proyecto

Albano Vergara, egresado de la Diplomatura en Ciencia de Datos con R y Python, presenta su proyecto final: un modelo de Machine Learning que detecta departamentos publicados por debajo de su valor estimado en tres barrios de la Ciudad de Buenos Aires. Sociólogo y profesor de estadística universitaria, Albano llega al proyecto desde una formación cuantitativa previa y lo usa para meterse de lleno en el modelado predictivo. El recorrido completo está en el video. Empieza con el scraping de un portal inmobiliario para construir el dataset desde cero —la etapa que más trabajo le llevó y que resolvió apoyándose en herramientas de IA generativa—, sigue con el análisis exploratorio y la estructuración de los datos de entrenamiento y testeo, y culmina con la comparación de cuatro modelos: árbol de decisión, regresión lineal, Random Forest y CatBoost. Lo que distingue al proyecto es que no se queda en las métricas. Albano desarrolló un widget funcional que lleva el modelo al escritorio de quien tiene que tomar la decisión: se eligen barrio, superficie y rango de precio, el sistema devuelve las unidades que cumplen esas condiciones, y en una segunda instancia permite simular una oferta concreta incorporando el costo de transacción y un umbral de ganancia definido por el usuario. Sobre esa base, el modelo responde si la inversión conviene o no. En el camino aparecen las preguntas que hacen interesante a este problema: cómo definir en términos medibles qué es una oportunidad de inversión, qué variables puede capturar un modelo inmobiliario y cuáles quedan necesariamente afuera, cómo elegir una métrica de evaluación alineada con el objetivo del negocio, y por qué en este dominio los valores extremos aportan información en lugar de ser ruido a descartar. Presenta: Albano Vergara — Diplomatura en Ciencia de Datos con R y Python Temas: web scraping, análisis exploratorio de datos, feature engineering, árbol de decisión, regresión lineal, Random Forest, CatBoost, gradient boosting, métricas de error, MAE, RMSE, R², validación de modelos, Python, pandas, scikit-learn, mercado inmobiliario argentino. #DataScience #MachineLearning #Python