Soy junior en el mundos de los datos, sin embargo estoy enfocado en traducir métricas técnicas complejas (como ROC-AUC o queries en SQL) en decisiones estratégicas de negocio. Combino mi formación de estudiante en Finanzas y Negocios Internacionales con el desarrollo de modelos predictivos de Machine Learning y pipelines de datos de punta a punta.

Con las que trabajo:

Otras herramientas y librerías que uso habitualmente:

Pandas NumPy Power BI LightGBM XGBoost CatBoost Optuna MLflow Streamlit Scrum

Ahora mismo estoy profundizando en:

Inglés técnico

Proyecto final del bootcamp de Henry (equipo de 4, rol: Data Scientist — modelado y feature engineering). Sobre 12.330 sesiones de usuario (dataset Online Shoppers Purchasing Intention, UCI), comparé 5 modelos de clasificación y optimicé el ganador (LightGBM) con Optuna. Apliqué SMOTE, class_weight y calibración sigmoide para corregir el desbalance de clases (84,5% / 15,5%), reduciendo el Brier Score en ~33%, y diseñé una segmentación en 3 niveles de intención de compra para priorizar cross-selling y retención. Resultado: ROC-AUC 0,938 · F1 0,690 Stack: Python Scikit-learn LightGBM XGBoost CatBoost Optuna FastAPI Streamlit Docker MLflow GitHub Actions

Pipeline de MLOps end-to-end para predecir si un cliente pagará a tiempo un crédito, combinando datos propios con información del buró de crédito. Detecté y eliminé variables con data leakage (una con 0,92 de correlación con el target) antes de modelar, y llevé el pipeline a producción: API en FastAPI, app de scoring en Streamlit, monitoreo de data drift (PSI/KS) y CI/CD con GitHub Actions, todo containerizado con Docker. Resultado: PR-AUC 3,1x por encima del baseline Stack: Python Scikit-learn XGBoost Pandas FastAPI Streamlit Docker GitHub Actions