Lab
Líneas de investigación que respaldan los sistemas en producción. El proceso visible, no solo el resultado.
Estas áreas representan líneas de investigación práctica: modelos, técnicas y pipelines que utilizo para entender problemas complejos antes de llevarlos a producto.
Modelos para clasificación de imágenes, análisis de secuencias y detección de objetos en problemas reales.
Algoritmos supervisados para clasificar, predecir y tomar decisiones con datos estructurados.
Segmentación de datos, reducción de dimensionalidad, detección de anomalías y reglas de asociación sin etiquetas.
Generación de contenido multimodal con LLMs y modelos generativos aplicados a producto.
Sistemas de visión para detección, conteo, OCR, visión estéreo y procesamiento de imágenes en uso práctico.
Procesamiento de lenguaje natural aplicado: transcripción, chatbots, clasificación multi-etiqueta y búsqueda semántica.
Forecasting y análisis de series temporales para soporte a decisiones de negocio.
Tracking de experimentos, selección sistemática de modelos y despliegue como servicio web reproducible.
Preparación de datos para ML: limpieza, anonimización, feature engineering y análisis de texto.
Análisis exploratorio y visualización con datasets únicos: ventas, atletas olímpicos, ajedrez, cerveza y geografía.
Estadística aplicada a datos reales: distribuciones, regresión, correlación e inferencia sobre datasets únicos.
Uso de Python para scraping, análisis de impacto de políticas ambientales y métodos numéricos.
Agentes que aprenden por recompensa: Q-learning tabular, DQN con TF/Keras y PPO con Stable Baselines3.