Portafolio
Zrive-DS: Ciencia de Datos Aplicada
ste repositorio recopila mi trabajo en el programa Zrive DS (Ciencia de Datos Aplicada), donde desarrollé proyectos prácticos simulando un entorno laboral real.
El objetivo fue adquirir experiencia de extremo a extremo en Data Science y desarrollo Backend, aplicando buenas prácticas de codificación, desde la adquisición de datos hasta el despliegue de una API funcional que consume modelos de Machine Learning.
Estructura del proyecto:
- Módulo 1 – Recolección y visualización de datos: Obtención de datos de APIs públicas, limpieza de datasets y creación de dashboards dinámicos.
- Módulo 2 – Análisis exploratorio (EDA): Transformación, limpieza y análisis de datos para descubrir patrones y generar insights visuales.
- Módulo 3 – Ingeniería de características y modelos lineales: Creación de nuevas variables y entrenamiento de regresión lineal y logística con regularización.
- Módulo 4 – Modelos avanzados de ML: Implementación de algoritmos no lineales, ajuste de hiperparámetros y validación cruzada.
- Módulo 5 – Análisis de fuga de datos: Revisión crítica de proyectos anteriores para identificar y prevenir filtraciones de información.
- Módulo 6 – Despliegue de API con modelos ML: Creación de una API local con FastAPI integrando base de datos, procesamiento de datos y predicciones de modelos.
Tecnologías utilizadas: Python, SQL, Pandas, NumPy, Matplotlib, Seaborn, Scikit-learn, FastAPI; PostgreSQL, SQLite; Git y conceptos de Docker.
Aprendizajes clave:
- Desarrollo de pipelines ETL y workflow completo de Data Science.
- Entrenamiento, validación y comparación de modelos desde básicos hasta avanzados.
- Identificación y mitigación de riesgos como la fuga de datos.
- Despliegue de API funcional integrando ML y bases de datos.
- Aplicación de buenas prácticas de ingeniería de software y control de versiones.
Este repositorio demuestra un programa de formación práctica diseñado para simular experiencia real en la industria de Data Science y desarrollo Backend.
Aplicaciones de Deep Learning en Robótica
Este repositorio acompaña mi trabajo de grado sobre la aplicación de Deep Learning en Ingeniería Mecatrónica. Incluye implementaciones para clasificación de imágenes, segmentación de imágenes y aprendizaje por refuerzo en aplicaciones robóticas.
El proyecto ofrece ejemplos prácticos y código para:
- Clasificación de imágenes mediante Transfer Learning
- Segmentación semántica de imágenes para detección de objetos y entornos
- Aprendizaje por refuerzo para control de movimiento de robots
Desarrollado en Python, el repositorio utiliza librerías como TensorFlow, Keras, OpenCV, NumPy y Stable-Baselines3. Es una guía práctica para estudiantes y profesionales interesados en integrar IA en robótica.
WebScraping and Data Manager
WebScraping and Data Manager es una herramienta que permite descargar videos de redes sociales como TikTok directamente desde colecciones. Solo necesitas ingresar el enlace de una colección y el programa extrae automáticamente todos los videos y su información, los guarda en una base de datos PostgreSQL y los organiza en carpetas para un acceso más sencillo.
Además, cada video se clasifica con el nombre de la colección y un identificador único, lo que facilita no solo el almacenamiento estructurado, sino también el análisis posterior de los datos.
Ideal para organizar colecciones, crear datasets o automatizar la descarga y gestión de videos de TikTok.
