Analista de datos en Amazon Ejemplo de CV

• Proporcionó un valioso apoyo técnico a colegas y clientes clave, admitiendo atender solicitudes ad hoc, al tiempo que impartía una formación eficaz a los nuevos aprendices.
• Aprovechó los datos para implementar plantillas editables, fragmentos de contenido y fragmentos de experiencia para la entrega de contenido personalizado, aumentando la participación del usuario en un 15%.
• Utilización de SQL para el análisis en profundidad de los datos de los usuarios, descubriendo y previniendo eficazmente las visitas de spam procedentes del envío de formularios, lo que se tradujo en una reducción sustancial del 40% de los incidentes de spam.
• Gestión de tareas administrativas de AEM, incluyendo permisos de usuario, autoría, DAM, gestión multi-sitio, despachador y gestión de flujos de trabajo. Dirigió con éxito la migración a la nube de AWS, logrando una mejora de la escalabilidad del 40% y una mejora del rendimiento del sistema del 30%.
• Colaboró estrechamente con equipos multifuncionales para identificar y resolver problemas de calidad de componentes y datos, garantizando la integridad y coherencia de los datos en toda la organización.
• Utilicé Tableau para el análisis de datos, creando métricas esenciales e indicadores clave de rendimiento para realizar un seguimiento del progreso de varias solicitudes e impulsar una mejora significativa del 15% en la productividad del equipo.

• Realización de análisis predictivos y diseño de informes sobre los datos de los estudiantes de la Universidad utilizando PowerBI.
• El trabajo implica análisis de datos, Web scraping usando Python, Gestión de almacén de datos y Modelado de datos.

• Mejoró la gestión de activos con sensores IoT y análisis de datos, reduciendo los costos de mantenimiento en un 20% y aumentando el tiempo de actividad de los activos en un 15%.
• Desempeñó un papel clave en el ciclo de vida de desarrollo de software para la función de seguimiento de trenes, siguiendo la metodología Agile y utilizando Git, Jira, ServiceNow, Confluence y Jenkins.
• Aumento de la satisfacción de los usuarios mediante la integración de los comentarios de los clientes, lo que llevó a un notable aumento del 20% en las opiniones positivas de los clientes.

Cursos: Algoritmos, Arquitectura de Computadores, Cloud Computing (AWS), AI, Minería de Datos, ML, y DBMS

• Desarrollo de algoritmos de búsqueda heurística y de profundización iterativa para el aprendizaje de tareas de cocina robótica, lo que supuso una mejora del 20% en la eficiencia de recuperación de tareas.
• Publicación de un documento de proyecto de investigación sobre aprendizaje robótico, disponible en arXiv (https://arxiv.org/abs/2211.01745), que contribuye al conocimiento y el avance en este campo.

• Reducción del 30% del tiempo de finalización de la tarea en 1000 episodios de entrenamiento utilizando un agente de aprendizaje Q con actualizaciones de ecuaciones de Bellman, implementado con las bibliotecas NumPy y TensorFlow de Python.
• Validación del rendimiento del agente en CoppeliaSim, con una desviación de sólo el 5% respecto al objetivo, aprovechando bibliotecas de Python como PyRep, SciPy y Matplotlib para simulación, análisis y visualización.

• Desarrollamos un modelo CNN basado en TensorFlow, alcanzando una tasa de precisión del 88% en la clasificación de imágenes y reduciendo el tiempo de entrenamiento en un 15% con un procesamiento por lotes optimizado utilizando el conjunto de datos Kaggle.
• Se aprovechó una red LeNet-5 preentrenada, logrando un reconocimiento de imágenes con precisión (92%), recuperación (91%) y una puntuación F1 (93%), evaluada mediante una matriz de confusión.

• Utilización de Tableau para el análisis y la visualización de datos con el fin de descubrir patrones y tendencias en la violencia con armas de fuego relacionada con las escuelas.
• Se recopilaron y analizaron datos de fuentes fidedignas, como el Washington Post y Gun Violence Archive.
• Exploró factores clave como la ubicación, las víctimas, los datos demográficos de los autores, los tipos de armas y los métodos de tiroteo. El objetivo es determinar los factores de riesgo, informar sobre las estrategias de prevención y comprender los patrones regionales y demográficos.

• Preprocesamiento de datos, exploración y análisis estadístico de un conjunto de datos de Kaggle compuesto por 300 registros de pacientes.
• Utilización de los algoritmos de clasificación KNN, Decision Tree, Random Forest y Naive Bayes para predecir la probabilidad de que se produzca un fallo cardíaco.
• Se identificó el modelo óptimo mediante una evaluación rigurosa de la precisión, la exactitud, la recuperación y la medida F en un conjunto de datos de prueba no visto.