Carlos - Junior Data Scientist - Finance

Experiencia demostrada en Python.

Experiencia demostrada en PyTorch.

Experiencia demostrada en TensorFlow.

Experiencia demostrada en Scikit-learn.

Experiencia demostrada en SQLite.

Desarrollé un modelo de riesgo crediticio utilizando Random Forest sobre datos altamente desbalanceados, optimizando el balance de clases y el espacio de hiperparámetros mediante Grid Search para alcanzar un ROC-AUC de 0.914.. Diseñé un pipeline ELT en Python, Pandas y SQLite enfocado en la extracción de datos de e-commerce a través de APIs REST y archivos CSV. Realicé la transformación de datos mediante SQL y la generación de métricas de negocio con Matplotlib.

Realicé el monitoreo de las transacciones de tarjetas de crédito de Visa, Mastercard, Diners Club y marcas propias para detectar actividades sospechosas y fraudes potenciales.. Analicé patrones transaccionales y ajusté reglas de detección en plataformas de decisión de riesgo (Visa Fraud Management, Mastercard Connect) para minimizar falsos positivos y mitigar riesgos activos.. Evalué el desempeño de las reglas mediante el uso de datos históricos para determinar el mantenimiento, ajuste o eliminación de controles de monitoreo específicos.

Diseñé una arquitectura híbrida de deep learning (ResNet-18 + clasificadores ML) para la clasificación de imágenes de alas de insectos, apliqué mejora de contraste, filtrado digital y aumento de datos.. Extraje características de ResNet-18 para evaluar múltiples clasificadores (SVM, ensambles de árboles, redes neuronales) mediante validación cruzada estratificada, logrando un F1-score de 0.964.. Publiqué y presenté los resultados de la investigación como un paper científico en la conferencia IEEE C3 de 2025.