Machine Learning | Data Scientist

Desarrollador full-stack enfocado en soluciones data-driven, con 1 año de experiencia creando sistemas que integran análisis predictivo y modelos de Machine Learning para optimizar procesos y generar insights valiosos. Además, cuento con conocimientos en blockchain.

🔧 Stack principal: Python | SQL | Scikit-learn | Reinforcement Learning | CNN 🌱 Actualidad: Optimizando modelos de Deep Learning y Reinforcement Learning para análisis avanzados.

Agente de Reinforcement Learning que aprende la manipulación robótica para recoger y colocar objetos en un entorno simulado.

• Stack: Python | Stable Baselines3 | Gymnasium Robotics
• Logros: Entrenamiento exitoso del agente para resolver la tarea FetchPickAndPlace-v4 usando recompensas dispersas.
• Técnicas: Reinforcement Learning, Soft Actor-Critic (SAC), Hindsight Experience Replay (HER).

Puedes ver una demo en vídeo y probar el modelo en local desde HuggingFace Click Aquí.

Aplicación de Machine Learning para predecir el cierre de NVDA con levantamiento de api con fastapi

• Stack: Python | FastAPI | Streamlit | Scikit-learn
• Logros: Precisión del modelo 0.94 en DecisionTreeClassifier.
• Técnicas: Preprocesamiento avanzado de datos y API de predicción.

Puedes probarlo en local

Modelo de Machine Learning para identificar URLs sospechosas de phishing con Streamlit

• Stack: Python | Streamlit | Scikit-learn | XGboost
• Logros: Precisión del 0.9313% en detección de phishing
• Técnicas: Feature engineering y XGboost

Puedes probarlo directamente desde este enlace: Click Aquí

Sistema de Machine Learning para predecir morosidad en clientes

• Stack: Python | Streamlit | Scikit-learn | XGBoost
• Logros: Precisión del 82% en el modelo (checkea las métricas en la página de prueba)
• Técnicas: Feature engineering, Random Forest y XGBoost

Puedes probarlo directamente desde este enlace: Click Aquí

He diseñado y desplegado diversas arquitecturas, desde pipelines de Machine Learning modulares hasta sistemas complejos de Reinforcement Learning. Cada proyecto se enfoca en la eficiencia, escalabilidad y el impacto medible.

"Cada línea de código debe resolver un problema concreto o generar conocimiento accionable. La elegancia técnica está en la simplicidad funcional."

Principios de desarrollo:

1. Data-first architecture
2. Automatización de pipelines
3. Documentación ejecutable
4. Optimización iterativa

Busco proyectos que requieran:

• Integración de Machine Learning y análisis de datos
• Sistemas ETL complejos
• Análisis cuantitativo aplicado

Canales técnicos:

• 🐛 Issues en repos: Reportar bugs
• 📄 Propuestas técnicas: izanfabrica2014@icloud.com