Hola, bienvenido a mi perfil de GitHub, me llamo Miguel y soy físico y desarrollador de IA.

Como físico, siempre he tenido un gran interés investigador y afán por la resolución de problemas, uno de los focos del grado. Con el objetivo de apliar el abanico de herramientas cursé el máster en IA, donde desarrollé mi interés en la ciencia de datos.

Mi principal interés es ampliar mis conocimientos en la resolución de problemas, esto incluye tanto el conocimiento de los distintos problemas que existen, métodos y técnicas para su resolución como herramientas que lo faciliten. Es por esto que mis principales intereses en el mercado laboral son los siguientes tipos de ofertas:

• Científico de datos: Ya que en este tipo de puestos permiten explorar nuevos problemas, definirlos y resolverlos.
• Ingeniero de IA/ML: Ya que en este tipo de puestos el foco está en el desarrollo y aplicación de modelos de IA, lo que resulta en aprender nuevos conocimientos sobre herramientas de IA.

Por otro lado, y a modo de hobby, tengo cierto interés en el desarrollo web ya que, además de conocer por encima prácticas comunes de devOps, UI/UX, etc, propias de cualquier empresa tecnológica, me permite elaborar aplicaciones que pueden ser accesibles a todos los usuarios, sin embargo, no es mi principal interés.

• Científico de datos: Mis labores en este puesto fueron bastante diversas, desde aplicar modelos de marketing mix, elaboración de aplicaciones web con dash y diversas tareas de análisis de datos.
• Python developer: Mi labor principal en este puesto fue elaborar un modelo de planificación de rutas de hormigoneras, un problema de logística. Adicionalmente, realicé labores típicas de analísis de datos, como la elaboración de cuadros de mando con qlikcloud, diversas ETLs para la detección de errores y la aplicación de modelos de agrupación.

Física, junto con matemáticas, es uno de los grados más polivalentes que existen, sin embargo, por lo general requiere de una especialización para explotar todo su potencial.

En el marco de la ciencia de datos, física proporciona gran parte de las bases matemáticas necesarias para las labores de un científico de datos.

Además de muchas herramientas matemáticas, proporciona una metodología sólida en lo que respecta a la definición y resolución de problemas de diferente índole, así como, la capacidad para definir los límites de aplicación de las soluciones de los problemas y las asumciones que son necesarias para poder resolverlos.

Como se comentaba en la sección de física, es necesaria cierta especialización, el máster en IA proporciona conocimientos sobre el funcionamiento de las herramientas de IA más comúnes, así como la metodología y procedimientos asociados. Algunas de estas herramientas son las siguientes:

• Aprendizaje supervisado (Random Forest, Naive Bayes, SVM, ...)
• Aprendizaje no supervisado (K-Means, Local Outlier Factor, ...)
• Procesamiento de imágenes (Sistemas de información geográfica, Filtros o Kernels, ...)
• Procesamiento del lenguaje natural (Word2Vec, Aprendizaje basado en corpus, ...)
• Aprendizaje profundo (Redes neuronales secuenciales, convolucionales, recurrentes, ...)

El foco del bootcamp es el de proporcionar las herramientas necesarias para el desarrollo completo de aplicaciones web.

En el marco de ciencia de datos, proporciona conocimientos sobre buenas prácticas en la organización del código, facilitando la legibilidad del proyecto, útil de cara a la incorporación de nuevos desarrolladores que lean código ya hecho.