Seré ingeniero de big data para hadoop, spark, pyspark, java, scala, aprendizaje automático
Ingeniero de Datos Senior y Científico de Datos
Acerca de este Servicio
¿Necesitas un ingeniero de Big Data experimentado para manejar pipelines de datos complejos, análisis o modelado predictivo? ¡Estás en el lugar correcto!
Con más de 15 años de experiencia en ingeniería de datos, análisis y desarrollo de software, aporto un profundo conocimiento en tecnologías de Big Data, Machine Learning y plataformas en la nube (AWS, Azure, GCP).
Servicios que ofrezco:
- Soluciones de Big Data usando Hadoop, Spark, PySpark, Hive, Pig, HBase
- pipelines ETL usando SSIS, Talend, Airflow
- Streaming de datos en tiempo real usando Kafka, Flume, Logstash
- Desarrollo de data warehouse (esquema Star/Snowflake, SSAS, SSRS)
- Machine Learning y Deep Learning (Scikit-learn, TensorFlow, Keras, NLP, CNNs)
- Modelos predictivos (Clasificación, Regresión, Sistemas de recomendación)
- Ingeniería de datos en la nube (Azure Data Factory, AWS EMR, GCP BigQuery)
- Visualización usando Power BI, Tableau
Herramientas y tecnologías:
Spark, Hadoop, Hive, Pig, Kafka, Flume, PySpark, Java, Scala, Python, SSIS, SQL Server, Azure, AWS, GCP, Power BI, Tableau, TensorFlow, Keras
¿Por qué elegirme?
- Certificado por Microsoft y Oracle (MCSE, OCP, MCSD)
- Más de 8 años en el ecosistema Hadoop
- Más de 25 proyectos reales de big data y ML entregados
- Comunicación y entrega confiables y rápidas
Mi porfolio
FAQ
Traducción automática
¿Qué información necesitas de mí para empezar?
Para comenzar, necesitaré acceso a tus fuentes de datos (o datos de muestra), una breve descripción de tus objetivos comerciales y cualquier requisito específico como el formato de salida esperado (por ejemplo, paneles, informes CSV, endpoints API). Para proyectos grandes, se recomienda una llamada de descubrimiento breve.
¿Trabajas con datos en vivo/producción?
Sí, tengo amplia experiencia en construir y gestionar pipelines de datos de grado de producción. Sin embargo, siempre recomiendo comenzar con un entorno de staging o muestras para validar la lógica antes de pasar a una implementación completa en producción.

