Deivith Amaya

Como científico de datos, he liderado y contribuido a diversos proyectos analíticos, aplicando herramientas como Python, Numpy, Pandas, SQL y Scikit-learn, junto con técnicas avanzadas de modelado estadístico y machine learning. Tengo experiencia en la manipulación y análisis de datos, empleando técnicas de procesamiento de datos, visualización y algoritmos predictivos. Mi formación incluye una sólida base en lenguajes como Java, JavaScript y R, además de haber completado un bootcamp especializado y obtenido certificaciones en aprendizaje automático.

Actualmente, estoy aprendiendo análisis de datos en AWS, lo que refuerza mi compromiso con el aprendizaje continuo y el crecimiento profesional. Poseo fuertes habilidades analíticas, capacidad para resolver problemas complejos, y excelentes competencias de comunicación y colaboración. Estoy buscando nuevas oportunidades para aplicar mi experiencia y contribuir a la generación de insights valiosos que impulsen la toma de decisiones en las organizaciones.

Machine Learning Engineer at Anyone AI (2024-03 – 2024-08)

• Clasificación y etiquetado automático de productos: Implementamos un sistema multi etiqueta para categorizar automáticamente los productos de comercio electrónico. Mediante la aplicación de procesamiento de lenguaje natural y el uso de un modelo multimodal de texto e imágenes, el proyecto logró un puntaje F1 de 0.96. Este sistema optimiza la experiencia del cliente en plataformas como Amazon, eBay, Mercado Libre, entre otras, al mejorar las métricas de conversión y facilitar la búsqueda de productos.
• Análisis de sentimientos sobre las críticas de películas: Manipulé datos no estructurados, procesé el texto y lo vectoricé utilizando TF-IDF. Entrené y ajusté un modelo de análisis de sentimientos utilizando regresión logística y Naive Bayes para detectar sentimientos positivos y negativos en reseñas de películas. Implementé técnicas de sobremuestreo para equilibrar el conjunto de datos y evalúe el rendimiento del modelo con métricas de precisión y recuperación.
• Clasificación de vehículos a partir de imágenes: Se preparó y pre procesó un conjunto de datos de imágenes para la clasificación de vehículos, incluida la visualización y el aumento de datos. Se utilizaron redes neuronales convolucionales (CNN) para entrenar un modelo de clasificación con 196 clases de vehículos. Se implementaron técnicas de ajuste fino para mejorar la precisión del modelo, logrando una precisión del 82 % en la predicción de la marca y el modelo del vehículo.

Software Engineer at Banco de Bogotà (2022-02 – 2022-07)

Adquirí experiencia en desarrollo web tanto frontend como backend, gestionando todo el ciclo de desarrollo desde la planificación hasta las pruebas de software en entornos de desarrollo.

• Participe en equipos de desarrollo ágiles utilizando el marco Scrum, creando y priorizando historias de usuario y asegurando la entrega continua de valor.
• Utilicé GitHub para administrar repositorios privados y optimicé el desarrollo y la implementación de software mediante servicios de AWS.

Grado in Ingeniería Electrónica y de Comunicaciones – Universidad Santo Tomás (2015 – 2022-12)