Entender los datos
Análisis exploratorio, estadística y modelos predictivos. Primero comprender el problema; después elegir el modelo.
PERSONAS, DATOS Y SISTEMASDATA SCIENCE / AI ENGINEERING
01 / SOY CARLOS

En el siglo II d.C., Roma administraba uno de los mayores imperios de la historia sin bases de datos, redes de telecomunicaciones ni información en tiempo real.
Y, aun así, sabía cuánto grano había almacenado en sus provincias, cuántos soldados podía movilizar, qué impuestos había recaudado o dónde podía aparecer el siguiente problema.
La tecnología era distinta. La necesidad, no tanto: recopilar información, interpretarla y utilizarla para tomar mejores decisiones.
Desde pequeño me ha fascinado la historia clásica y, durante mucho tiempo, me pregunté cómo era posible gestionar algo tan complejo con los medios de aquella época. Con los años descubrí que esa misma curiosidad estaba detrás de otra de mis grandes obsesiones: los datos.
Querer entender qué está ocurriendo, encontrar patrones donde aparentemente solo hay ruido y transformar información en conocimiento útil.
Hoy trabajo precisamente en ese punto, aunque las herramientas hayan cambiado bastante. Ciencia de datos, machine learning, inteligencia artificial, ingeniería de software y sistemas capaces no solo de analizar información, sino también de interactuar con ella y convertirla en soluciones reales.
Quizá por eso nunca he visto los datos como simples números en una tabla.
Son rastros de lo que ocurrió, señales de lo que está ocurriendo y, a veces, pistas sobre lo que puede ocurrir después.
Una forma de encontrar orden en el caos.
Análisis exploratorio, estadística y modelos predictivos. Primero comprender el problema; después elegir el modelo.
Python, preparación de datos y pipelines. En mi portfolio exploro APIs, recuperación documental e IA generativa local.
Requisitos, KPI y coordinación de proyectos. Mi formación en Scrum acompaña una manera de trabajar centrada en los equipos.
Recopilación y preparación de datos, pipelines, análisis exploratorio, entrenamiento y validación de modelos y ajuste de hiperparámetros.
Etapa de prácticas en ciencia de datos y Python.
Análisis de requisitos, calidad de servicios, mejoras de procesos y pruebas de nuevos desarrollos.
Definición de proyectos, coordinación de equipos, seguimiento de KPI y gestión de proyectos en español y francés.
Análisis exploratorio y estadístico, modelos de demanda, dashboards y formación sobre herramientas de análisis.
02 / INGENIERÍA EN PRÁCTICA
Proyectos académicos y un nuevo laboratorio de ingeniería aplicada. Código, metodología y límites a la vista.
¿Qué podemos descubrir al mirar varias variables a la vez?
Una aplicación para explorar sus relaciones, encontrar perfiles parecidos y probar modelos de predicción.
¿Cómo cambia una flota cuando los vehículos se desplazan, se averían y vuelven al servicio? Modifica las condiciones y observa cómo evoluciona.
Una aplicación para comparar la demanda real de bicicletas con la que estima un modelo y explorar qué predice cuando cambia el tiempo.
¿Cuándo merece atención un cambio de temperatura? Explora una señal, revisa sus alertas y provoca cambios para comparar dos formas de detectar anomalías.
Mi proyecto final de Big Data: un análisis de tráfico aéreo que reúne preparación de datos, exploración y presentación de conclusiones.
LEARNING / ALWAYS
La profundidad técnica y la capacidad de trabajar en equipo avanzan juntas.
Programación Python · Tokio School
Big Data, Arquitectura de Datos y Machine Learning · Tokio School
Cisco Networking Academy / OpenEDG · 2024
04 / SIGUIENTE CONVERSACIÓN
Ciencia de datos, machine learning e IA generativa. Hablemos de problemas interesantes y de cómo llevarlos a una solución.
charlycrm@hotmail.com