Enfoque integral en la construcción de infraestructura robusta y soluciones automatizadas. Mi experiencia profesional abarca desde la arquitectura de sistemas ERP con Odoo y Docker, hasta el despliegue de aplicaciones de analítica avanzada. He diseñado e implementado modelos de Machine Learning para series de tiempo y automatización de ventas, logrando integrar la precisión predictiva con la operatividad del backend. Como creador de PanCakesORM (publicado en PyPi), mi trabajo se distingue por una profunda comprensión del manejo de bases de datos relacionales, la seguridad en la capa de datos, parseo de datos listos para API’s y la capacidad de comunicar soluciones técnicas complejas en entornos bilingües.
Actualidad
Con la visión de democratizar el acceso a la tecnología avanzada. Nos especializamos en la implementación de Odoo ERP e Inteligencia Artificial diseñados específicamente para potenciar la competitividad de grandes y medianas empresas.
Diseñé y desarrollé de extremo a extremo una aplicación integral para la administración y facturación, optimizando los procesos operativos y el control financiero de la organización.
Tecnologías:
Python | Streamlit | SciPy | Pandas | Scikit-Learn | LGBMRegressor | Docker | Hugging Face
Descripción:
Desarrollé una API para la facturación electrónica y la administración de inventarios. Después, recopilé, limpié y analicé data de 3 años. Así mismo desarrollé un Modelo de Regresión Lineal basado en Series Tiempo para predecir el volumen de ventas mensuales.
Resultados:
Se redujo la carga en la revisión de inventarios en un 35%. Se paso de un chequeo mensual de 200 productos a 70.
Aplicación en: Hugging Face 🤗👇
API Repositorio Git-Hub
Repositorio Modelo LGBMRegressor
Tecnologías:
Hugging Face | Docker | Streamlit | Python | Scikit-Learn | Pandas | Numpy
Descripción:
Analicé más de 300,000 registros del mercado automotriz para desarrollar un modelo predictivo de alta fidelidad. Optimicé algoritmos de Machine Learning hasta alcanzar una precisión de R2 = 86% con un error medio de solo €970, superando el objetivo de negocio del 75%. Implementé el sistema mediante Docker para asegurar que sea escalable y facilitar su integración en mercados actuales, incluyendo el mexicano.
Pero una imagen vale más que mil palabras: te invito a probar el modelo por ti mismo y estimar el valor de mercado de tu auto en el siguiente enlace.
Modelo en: Hugging Face 🤗👇
Repositorio Git-Hub
Tecnologías:
Python | Streamlit | Pandas | Scikit-Learn | LinearRegression | Numpy
Objetivo:
Descripción:
Se realizó un Análisis Exploratorio de Datos (EDA) exhaustivo por región. Se entrenó un modelo de Regresión Lineal separado para cada una de las tres regiones geológicas. Mediante la técnica de Bootstrapping (1000 muestras) se evaluó el riesgo de inversión y se calcularon los intervalos de confianza para las ganancias totales proyectadas.
Resultados:
El análisis demostró un 0% de riesgo de inversión en las tres regiones bajo el umbral establecido. La Región 0 se identificó como la más rentable.