Alejandro Belda Fernández
Aquí tienes mis proyectos de ciencia de datos y análisis: el código, los resultados y lo que aprendí en cada uno.
Trayectoria
Graduado en Informática por la Universidad de Murcia con Máster en Inteligencia Artificial. Durante un año trabajé como investigador (PDI) gestionando datasets biológicos complejos, administrando infraestructura de servidores Linux y colaborando en entornos de investigación académica. Esa experiencia me dio una base sólida en calidad del dato, rigor metodológico y trabajo con datos reales. Actualmente estoy en transición hacia roles en la industria como Data Scientist o Data Analyst.
Disfruto del pipeline completo: entender el problema de negocio, limpiar y transformar datos desordenados, explorarlos con las preguntas correctas, construir modelos que funcionen en contexto y comunicar los resultados con claridad. Me importa la evaluación honesta, las decisiones documentadas y las conclusiones que los perfiles no técnicos puedan llevar a la práctica.
- Estado
- Parado
- Busco
- Data Scientist / Data Analyst
- Formación
- Ingeniería Informática y Máster en Inteligencia Artificial — Universidad de Murcia
- Experiencia previa
- Más de 1 año como investigador (PDI)
- Idiomas
- Español (nativo) · Inglés (B2)
- Contacto
- alejandrobeldafernandez@gmail.com
Stack de trabajo
Machine Learning
MLOps & Despliegue
Bases de datos y herramientas
Cinco entradas que resumen el rango de trabajo
Generador Automatizado de Reportes de Noticias
Scraping, orquestación, resumen con LLM local y despliegue autoalojado, verificado contra el servicio real en cada paso.
Sistema de Recomendación de Películas
Tres enfoques de recomendación comparados y explicados, en vez de combinarse en un ranking de caja negra.
MLOps: Predicción de Churn en Telco
Ciclo de vida completo en producción: tracking, orquestación, monitorización de drift, reentrenamiento automático y API desplegada.
Análisis de Ventas de una Cafetería
12 preguntas de negocio respondidas íntegramente en SQL, desde la limpieza hasta un dashboard y una presentación.
Publicado de forma independiente
calm-data-generator
Librería de Python para generación de datos tabulares sintéticos, desarrollada durante mi etapa como investigador. Envuelve varios motores de generación bajo una única interfaz, simula concept drift para probar cómo se degradan los modelos, y genera un informe automatizado de calidad de datos para cada dataset producido.
Los diez proyectos, entrada por entrada
LOG · 01
Predicción de Heridos en Accidentes de Tráfico (Madrid)
ROC AUC 0.873
+
Predice si un accidente de tráfico en Madrid resultará en al menos un herido, usando información disponible en el momento del registro. Cubre agregación por accidente, feature engineering, tuning con Optuna y explicabilidad con SHAP.
Resultados (CatBoost): ROC AUC 0.873 · Balanced Accuracy 0.801 · Macro F1 0.73
De cada 10 accidentes predichos con heridos, 8 o 9 son correctos. Los errores restantes son mayoritariamente falsas alarmas, no heridos no detectados: el tipo de error menos grave en un contexto de emergencias.
LOG · 02
Predicción del Precio de la Vivienda (Madrid)
R² 0.897
+
Predice el precio de venta a partir de características físicas y ubicación. Incluye TargetEncoder por distrito, tuning con Optuna, intervalos de confianza vía bootstrap y explicabilidad con SHAP.
Resultados (XGBoost): RMSE 69.568 € · R² 0.897 · MAPE 15.27%
El precio predicho se sitúa, de media, dentro del 15% del precio real. Superficie construida y distrito son los factores dominantes, y se amplifican entre sí: un piso grande en Chamberí vale desproporcionadamente más que uno igual de grande en Vallecas.
LOG · 03
Clustering de Perfiles de Clientes
Silhouette 0.24
+
Segmenta clientes en 3 perfiles a partir de datos demográficos, de gasto y de respuesta a campañas. Incluye detección de outliers, PCA, K-Means con selección por codo y silueta, y visualización UMAP.
Resultados (K-Means K=3 + PCA): Silhouette Score 0.24 · 3 segmentos identificados
Los clientes Premium gastan 1.274 € de media sin necesitar descuentos. Los Cazadores de Ofertas compran 3,4 veces más con promociones: ahí es donde el presupuesto de descuentos rinde más. Aplicar la misma campaña a los tres grupos es la peor asignación posible.
LOG · 04
MLOps: Predicción de Fuga de Clientes
ROC-AUC 0.84
+
Ciclo de vida completo en producción: validación de datos, tuning con Optuna (150 trials), tracking con MLflow, orquestación con Prefect, monitorización de drift, reentrenamiento automático y API REST con FastAPI.
Resultados (Random Forest + Optuna): ROC-AUC 0.84 · Balanced Accuracy 0.76 · Recall (churn) 0.76
El modelo identifica al 76% de los clientes que van a cancelar antes de que lo hagan. El valor real está en la infraestructura: el pipeline reentrena solo cuando más del 40% de las variables muestran drift, y solo promociona un modelo nuevo si supera al actual.
LOG · 05
Predicción de Series Temporales de Ventas
RMSLE 0.381
+
Previsión de principio a fin sobre un panel de 3 millones de filas (1.782 series tienda × familia durante 4,5 años). Incluye diagnóstico clásico de series temporales, baseline econométrico con PanelOLS y modelos de gradient boosting con validación cruzada temporal.
Resultados (XGBoost + Optuna): RMSLE 0.381 · R² 0.977 · ~28% mejor que el baseline naive
Las predicciones se explican sobre todo por la inercia reciente de ventas. La única palanca de alto impacto que la empresa controla son las promociones, así que el modelo funciona además como simulador de escenarios antes de gastar un solo euro.
LOG · 06
Análisis de Ventas de Cafeterías
SQL · 12 preguntas
+
Análisis de ventas de una cadena de cafeterías ficticia con tres locales en Nueva York. Limpieza en SQL, 12 preguntas de negocio respondidas íntegramente en SQL, dashboard en Metabase y presentación de data storytelling.
Hallazgos clave: el revenue casi se duplicó de enero a junio. Coffee y Tea generan el 66% del revenue. Solo 11 tipos de producto generan el 80% (regla de Pareto).
Un propietario puede usar este análisis para decidir qué productos potenciar, optimizar turnos según las horas punta y diseñar campañas para los meses más débiles.
LOG · 07
Reseñas de Amazon en Español
Macro F1 0.765
+
Un clasificador de sentimiento (TF-IDF baseline vs. BETO ajustado) y un sistema RAG que responde preguntas sobre el corpus citando reseñas reales. Comparación A/B formal con McNemar, bootstrap y análisis de coste por predicción.
Resultados: BETO 0,765 F1 macro vs. 0,725 del baseline (p = 1,3e-12), pero 1.009 veces más caro por predicción.
El clasificador dice cuántos clientes están descontentos y dónde; el RAG dice por qué. Etiquetar el índice completo cuesta 10 segundos con el baseline frente a 2,8 horas con BETO, así que el coste decide la arquitectura.
LOG · 08
Sistema de Recomendación de Películas
Precision@5 42.4%
+
Tres sistemas comparados sobre el mismo catálogo: basado en contenido, colaborativo item-based y SVD. Evaluados con Precision@5/Recall@5, documentando arranque en frío y cobertura en lugar de mezclarlos en un único ranking.
Resultados: el colaborativo gana por 7-8x, pero cubre solo el 43% del catálogo con historial suficiente.
Los tres modelos son complementarios, no competidores. Un producto real necesita los tres, más un plan explícito para el 57% del catálogo al que el colaborativo y SVD no llegan.
LOG · 09
Clasificación de Imágenes de Productos de Moda
Accuracy 99%
+
EfficientNetB0 y ResNet50 comparados sobre la misma tarea de clasificación, interpretados con Grad-CAM en vez de dejarlos como caja negra. 3 de 7 categorías originales se descartaron por falta de datos suficientes.
Resultados: ResNet50 gana en todas las clases y métricas (99% vs. 97% de accuracy).
Accessories y Apparel concentran el 63% de los errores: Grad-CAM muestra que el modelo fija la atención en el accesorio en vez de en la prenda etiquetada. Un fallo concreto y entendido, no ruido aleatorio.
LOG · 10
Generador Automatizado de Reportes de Noticias
Self-hosted
+
Pipeline de extremo a extremo verificado contra el servicio real en cada paso, no contra su documentación. El destino de despliegue previsto (Hugging Face Spaces) resultó no ser viable, así que el proyecto terminó autoalojado vía Docker + Tailscale Funnel.
Resultado: reporte diario funcional con cita a la fuente original en cada entrada.
El dashboard solo está disponible mientras la máquina autoalojada está encendida, no 24/7: la contrapartida honesta de un despliegue realmente gratuito.
EXTRA
Cloud: Inferencia ML Serverless en AWS y Azure
Serverless
+
Dos proyectos pequeños y autocontenidos para demostrar conocimiento práctico de ambas nubes: modelos servidos vía endpoint HTTP público, sin servidor que administrar. El foco es la arquitectura y los problemas reales resueltos por el camino (permisos IAM, límites de paquete, restricciones de región).