Seré científico de datos para modelado predictivo, aprendizaje automático, análisis de big data
Ingeniero de Datos Senior y Científico de Datos
Acerca de este Servicio
Con más de 20 años de experiencia en ciencia de datos, ingeniería de datos e inteligencia empresarial, ofrezco soluciones completas de datos desde la recopilación y limpieza hasta modelos de aprendizaje automático y conocimientos accionables. He trabajado en proyectos avanzados como predicción de retrasos en vuelos, modelado de retención de clientes y análisis de sentimientos usando herramientas de vanguardia como Python, Spark, Hadoop y plataformas en la nube (Azure, AWS, GCP).
Lo que ofrezco:
- Modelos predictivos y de clasificación (Random Forest, XGBoost, SVM, etc.)
- NLP (Análisis de sentimientos, modelado de temas, BERT)
- Deep Learning (CNN, LSTM, ANN)
- Análisis de Big Data usando Hadoop, Spark (Scala, Java, PySpark)
- Bases de datos SQL y NoSQL (SQL Server, Oracle, MongoDB, Cassandra)
- Visualización de datos (Power BI, Tableau, Matplotlib, Seaborn)
- Pipeline de datos y ETL (SSIS, Talend, Airflow)
- ML en la nube (Azure Databricks, AWS EMR, GCP BigQuery)
Herramientas y lenguajes:
Python, R, Java, Scala, SQL, PySpark, TensorFlow, Keras, Hadoop, Hive, Kafka, Power BI, Azure, AWS, GCP
Transformemos tus datos en inteligencia empresarial valiosa. Ya sea un análisis puntual o un pipeline de ML escalable, garantizo resultados profesionales, explicables y confiables.
Lenguaje de programación:
Python
•
SQL
•
Colab
•
Java
•
NoSQL
Tecnología:
Python
•
Java
•
Scala
•
TensorFlow
•
PyTorch
•
SQL
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 o en 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.

