Portafolio Técnico
Proyectos Destacados de Machine Learning
Soluciones integrales de ciencia de datos, PLN, optimización de latencia y despliegue en la nube.
Lead Data Scientist & Deployment Lead
Agosto 2026 FinanceAI – Intelligent Financial Diagnostic & NLP Platform
Solución integral desarrollada durante el Hackathon de Oracle Next Education (ONE). Incluye un pipeline de Procesamiento de Lenguaje Natural (PLN) para categorizar transacciones bancarias, un modelo de evaluación de salud financiera y despliegue multi-contenedor en la nube.
Métrica Clave
Weighted F1
Transacciones
240k+ Trans.
Latencia Inferencia
< 0.8 ms (ONNX)
Arquitectura
4 Contenedores
Aspectos Técnicos Destacados:
- • Clasificación de 240.000+ transacciones financieras en 10 categorías mediante Scikit-learn (TF-IDF + Clasificador Lineal) evaluado con Macro y Weighted F1-Score.
- • Serialización de modelos a formato ONNX (skl2onnx) para inferencia nativa en Java 17 / Spring Boot con latencia menor a 0.8ms.
- • Prevención estricta de fuga de datos (data leakage) con particiones temporales y validación cruzada estratificada con GridSearchCV.
- • Orquestación de 4 microservicios (Vue 3, Spring Boot, MySQL, Jupyter) con Docker Compose en Oracle Cloud Infrastructure (OCI).
Python Scikit-Learn NLP (TF-IDF) ONNX Java Spring Boot Docker Compose MySQL Oracle Cloud (OCI)
Independent Data Practitioner
2026 Predictive Modeling & Tabular Data Analytics Engine
Entorno estructurado de experimentación analítica para datasets tabulares de alto volumen. Implementa algoritmos de detección de valores atípicos (IQR), transformaciones de variables continuas y comparación rigurosa de algoritmos de clasificación y regresión.
Validación Cruzada
5-Fold CV
Detección Outliers
IQR Filter
Métricas de Evaluación
ROC-AUC / F1
Aspectos Técnicos Destacados:
- • Análisis exploratorio multidimensional y visualización estadística con Pandas, Matplotlib y Seaborn.
- • Pipelines automatizados de preprocesamiento: imputación de valores faltantes, normalización StandardScaler y One-Hot Encoding.
- • Evaluación de modelos base (Regresión Logística, Árboles de Decisión) mediante curvas ROC-AUC, matrices de confusión y F1-Score ponderado.
- • Documentación técnica reproducible siguiendo estándares de código limpio PEP 8.
Python Pandas NumPy Scikit-Learn Matplotlib Seaborn MySQL Jupyter Lab