HuatuCode
¡Enseñándote conceptos de Ciencias de la Computación cada día!
Sin cajas negras ni fórmulas mágicas. Construyo simuladores interactivos, desgloso modelos de Machine Learning paso a paso y comparto cada línea de código en público.
- 7apuntes publicados
- 4modelos de ML en vivo
Arquitectura del Laboratorio
¿Cómo está estructurado HuatuCode?
Tres pilares complementarios para aprender Inteligencia Artificial con rigor, código real y sistemas modernos en producción.
Laboratorio de Modelos & XAI
Interactúa con modelos predictivos reales entrenados sobre datasets reales. Mueve parámetros en tiempo real y analiza cómo los valores SHAP descomponen el razonamiento algorítmico.
Apuntes & Lecciones Matemáticas
Sin fórmulas de memoria ni cajas negras. De la derivación formal del gradiente y funciones de coste hasta su implementación pura en Python con Scikit-Learn y NumPy.
Stack & Sistemas de Producción
Cómo conectar servicios desacoplados: APIs de inferencia en FastAPI con 16 GB de RAM, interfaces en Next.js, microservicios en Spring Boot y contenedores Docker sin costes ocultos.
Tasación de Departamentos en Lima: 4 modelos, una misma pregunta
Entrenados con miles de anuncios reales de Lima: Ridge, Árbol de Decisión, Random Forest y XGBoost, comparados con las mismas métricas sobre departamentos que nunca vieron. Cada predicción llega con valores SHAP exactos, que desglosan cuánto dinero suma o resta cada característica, y con un intervalo de confianza del 80%.
¿Por qué insistir en derivar cada modelo?
En la industria abundan tutoriales de cinco minutos que solo enseñan a llamar model.fit(). Pero cuando el modelo falla en producción o genera predicciones absurdas, quien no comprende la función de pérdida no puede depurarlo.
En HuatuCode desarmamos las fórmulas matemáticas para que domines el fundamento antes de usar cualquier biblioteca.
# 1. Función de Coste: Error Cuadrático Medio (MSE)
def compute_cost(X, y, theta):
m = len(y)
predictions = X.dot(theta)
cost = (1 / (2 * m)) * np.sum(np.square(predictions - y))
return cost
# 2. Gradiente Analítico: Derivada parcial exacta respecto a los pesos
def gradient_descent(X, y, theta, lr=0.01, epochs=1000):
m = len(y)
for _ in range(epochs):
gradients = (1 / m) * X.T.dot(X.dot(theta) - y)
theta = theta - lr * gradients # Regla de actualización
return theta
Contenido Audiovisual
Videos Destacados & Apuntes Prácticos
Aprende en video en YouTube/TikTok y profundiza leyendo el apunte interactivo correspondiente.
Arsenal de Ingeniería
Con qué construyo HuatuCode
- Python
- C++
- Java
- Spring Boot
- Go
- TypeScript
- Scikit-Learn
- PyTorch
- FastAPI
- PostgreSQL
- Next.js
- Docker
- Linux
- Git
¿Quién está detrás de HuatuCode?
Hola, soy Carlos Alejandro Molina Huatuco. Empecé HuatuCode con una convicción clara: la mejor manera de aprender Ciencias de la Computación y Machine Learning es abriendo la caja negra y compartiendo cada paso del proceso bajo la filosofía “Build in Public”.
Construyamos juntos el futuro de la ingeniería
¿Tienes una propuesta para un nuevo proyecto, una sugerencia de lección o te gustaría coordinar una charla técnica?