Data Analyst / Junior Data Scientist con formación en Data Science, Machine Learning y desarrollo en Python. Actualmente sigo ampliando mi perfil técnico en 42 Urduliz y en formación especializada en Inteligencia Artificial y gestión de proyectos tecnológicos.
Me interesa construir soluciones basadas en datos que no se queden solo en el análisis, sino que puedan convertirse en herramientas útiles: modelos predictivos, dashboards, visualizaciones y aplicaciones interactivas.
Trabajo en el ciclo completo de un proyecto de datos:
- Limpieza, análisis y preparación de datasets.
- Desarrollo de modelos predictivos.
- Evaluación e interpretación de resultados.
- Visualización de datos para facilitar la toma de decisiones.
- Desarrollo de aplicaciones interactivas con Streamlit.
- Automatización de tareas dentro del flujo de análisis.
Mi experiencia previa en administración, facturación, atención al cliente y resolución de incidencias me ayuda a entender procesos reales de negocio y traducir necesidades operativas en soluciones basadas en datos.
- Análisis exploratorio de datos.
- Machine Learning clásico.
- Regresión lineal y regresión logística.
- Clasificación binaria y multiclase.
- Redes neuronales multicapa.
- Visualización de datos.
- Aplicaciones interactivas con Streamlit.
- Automatización de procesos con Python.
Repositorio: Perceptron-Multicapa---Clasificador-de-Cancer-de-Mama
Implementación desde cero de una red neuronal multicapa aplicada a un problema de clasificación binaria.
Qué demuestra este proyecto:
- Comprensión del funcionamiento interno de una red neuronal.
- Implementación manual del proceso de entrenamiento.
- Uso de regularización y mini-batch gradient descent.
- Evaluación de métricas de clasificación.
- Capacidad para abordar problemas predictivos con datos sensibles.
Repositorio: DSLR---Datascience-x-Logistic-Regression
Modelo de clasificación multiclase implementado en Python utilizando el enfoque One-vs-All.
Qué demuestra este proyecto:
- Regresión logística desde cero.
- Clasificación multiclase.
- Entrenamiento mediante descenso de gradiente.
- Preparación de datos para modelos predictivos.
- Comprensión matemática del modelo.
Repositorio: rag-gutenberg
Sistema de Retrieval-Augmented Generation (RAG) que permite interactuar con libros clásicos de Project Gutenberg mediante lenguaje natural.
Qué demuestra este proyecto:
- Implementación completa de arquitectura RAG desde cero.
- Uso de embeddings para búsqueda semántica de información.
- Integración de FAISS como motor de recuperación eficiente.
- Uso de modelos LLM para generación de respuestas basadas en contexto.
- Diseño de un sistema capaz de reducir alucinaciones en modelos de lenguaje.
- Construcción de una aplicación funcional con interfaz tipo chat.
- Capacidad para trabajar con documentos largos de forma escalable.
Repositorio: Sistema-de-deteccion-de-grietas
Sistema orientado a la detección de grietas mediante visión por computador, integrado en una aplicación interactiva.
Qué demuestra este proyecto:
- Aplicación práctica de Machine Learning / Computer Vision.
- Desarrollo de una solución cercana a un caso real.
- Integración entre modelo y aplicación.
- Uso de Streamlit para facilitar la interacción con el usuario.
- Orientación a producto y despliegue funcional.
Repositorio: Streamlit-Ventas
Aplicación interactiva para analizar y visualizar datos de ventas.
Qué demuestra este proyecto:
- Análisis de datos orientado a negocio.
- Visualización clara de información.
- Desarrollo de dashboards con Streamlit.
- Comunicación de resultados para facilitar la toma de decisiones.
- Capacidad para transformar datos en información accionable.
Repositorio: AYUDANTE
Herramienta de apoyo para automatizar tareas relacionadas con análisis exploratorio, Machine Learning y Deep Learning.
Qué demuestra este proyecto:
- Mentalidad de automatización.
- Capacidad para crear herramientas reutilizables.
- Organización de procesos de análisis.
- Soporte a flujos de trabajo de ciencia de datos.
- Interés por mejorar la eficiencia en proyectos técnicos.
Python · SQL · Git · Linux
Pandas · NumPy · Scikit-learn · Matplotlib · Seaborn
Regresión lineal · Regresión logística · Clasificación multiclase · Redes neuronales · Evaluación de modelos
Streamlit · Power BI · Dashboards · Visualización de datos
- Transformar datos en información clara y accionable.
- Construir modelos predictivos interpretables.
- Crear dashboards y aplicaciones sencillas para usuarios no técnicos.
- Automatizar tareas repetitivas dentro del flujo de análisis.
- Combinar visión técnica con comprensión de procesos administrativos y de negocio.
- Aprender de forma autónoma y trabajar en entornos colaborativos.
Busco oportunidades como:
- Data Analyst Junior
- Junior Data Scientist
- Machine Learning Junior
- Python Developer orientada a datos
- Técnica de datos con enfoque en automatización y visualización
Mi objetivo es seguir creciendo en proyectos end-to-end donde pueda participar desde el análisis inicial hasta la construcción, evaluación y despliegue de soluciones basadas en datos.
- LinkedIn: Silvia Martínez Cachafeiro
- GitHub: Silvia-ux-blip