First Implementation

README.md

@@ -10,4 +10,4 @@ pinned: false
 short_description: Flashcards application designed to refresh concepts
 ---
 
-Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference
+Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference

app.py

@@ -0,0 +1,38 @@
+import streamlit as st
+import pandas as pd
+
+st.set_page_config(page_title="AI Engineer Flashcards", page_icon="🧠")
+
+st.title("AI Engineer Flashcards - BCG X Prep")
+
+@st.cache_data
+def load_flashcards():
+    return pd.read_csv("flashcards.csv").values.tolist()
+
+flashcards_list = load_flashcards()
+
+if 'index' not in st.session_state:
+    st.session_state.index = 0
+
+if 'show_back' not in st.session_state:
+    st.session_state.show_back = False
+
+front, back = flashcards_list[st.session_state.index]
+
+st.markdown(f"### {front}")
+
+if st.session_state.show_back:
+    st.info(back)
+
+col1, col2 = st.columns(2)
+
+with col1:
+    if st.button("Mostrar Reverso"):
+        st.session_state.show_back = not st.session_state.show_back
+
+with col2:
+    if st.button("Siguiente Carta"):
+        st.session_state.index = (st.session_state.index + 1) % len(flashcards_list)
+        st.session_state.show_back = False
+
+st.caption("Powered by HuggingFace Spaces + Streamlit ✨")

flashcards.csv

@@ -0,0 +1,44 @@
+Front,Back
+Overfitting,Cuando el modelo se ajusta demasiado al entrenamiento y falla en generalizar.
+Cross-Validation,Técnica para validar el modelo dividiendo el dataset en múltiples particiones.
+Técnicas de Regularización,"L1 (Lasso), L2 (Ridge), Dropout (en redes neuronales)."
+ROC AUC,Capacidad de un modelo de clasificación binaria para distinguir clases.
+SMOTE,Synthetic Minority Oversampling Technique para datasets desequilibrados.
+K-Nearest Neighbors (KNN),Clasificación basada en vecinos más cercanos.
+PCA,Principal Component Analysis para reducción de dimensionalidad.
+"XGBoost, LightGBM, CatBoost",Modelos de boosting basados en árboles.
+SVM (Support Vector Machines),Clasificador que usa kernels para datos no linealmente separables.
+"RNN, LSTM, GRU",Modelos buenos para datos secuenciales.
+NumPy,Operaciones matemáticas vectorizadas en Python.
+Pandas,Procesamiento de tablas y datos estructurados en Python.
+Apache Spark,Procesamiento distribuido de grandes volúmenes de datos.
+Dask,Procesamiento distribuido ligero en Python.
+Python Generator,Estructura que permite recorrer grandes datos sin cargarlos todos en memoria.
+Herencia múltiple en Python,Manejo mediante MRO (Method Resolution Order).
+Factory Pattern,Patrón de diseño para crear objetos sin especificar clase exacta.
+TensorFlow,Framework de deep learning de Google.
+PyTorch,Framework de deep learning dinámico de Facebook.
+Keras,API de alto nivel para prototipado rápido en TensorFlow.
+Scikit-learn,Librería de ML clásico en Python.
+AWS SageMaker,Servicio de AWS para entrenar y desplegar modelos de ML.
+AWS EC2,Servicio para instancias de cómputo.
+Flask / FastAPI,Frameworks ligeros para desplegar APIs en Python.
+TensorFlow Serving,Sistema para servir modelos de TensorFlow en producción.
+Google Cloud AI Platform,Plataforma de GCP para entrenar y desplegar modelos.
+Docker,Herramienta para crear contenedores de software.
+Kubernetes,Sistema de orquestación de contenedores.
+Terraform,Infraestructura como código (IaC) para provisión de infraestructura.
+Jenkins,Herramienta de CI/CD para automatizar despliegues.
+Matplotlib,Librería base de visualización en Python.
+Seaborn,Gráficos estadísticos fáciles en Python.
+Plotly,Gráficos interactivos en Python.
+Tableau,Plataforma de Business Intelligence para dashboards visuales.
+MLflow,Plataforma para gestión del ciclo de vida de modelos de ML.
+TensorBoard,Visualización de métricas de entrenamiento en TensorFlow.
+Google Colab,Notebooks gratuitos con GPU integrada.
+Git,Sistema de control de versiones.
+MVP (Minimum Viable Product),Primera versión funcional de un producto.
+Time-to-Market,Tiempo para llevar una idea al mercado.
+Model Explainability,Explicabilidad de modelos para usuarios de negocio.
+"SHAP, LIME",Herramientas para interpretabilidad de modelos.
+Cost Optimization,Optimizar costes en soluciones cloud.

requirements.txt

@@ -0,0 +1,2 @@
+streamlit
+pandas