Alexandra Garea

Desde hace tiempo estaba buscando algo que laboralmente me enganchase, me hiciese volver a estudiar, a interesarme realmente, y por fín di con ello en el Bootcamp de Hack a Boss.
Hasta la fecha había trabajado como administrativa en área laboral, contabilidad, fiscal, clientes; y la otra mitad de mi vida laboral (la última parte) la dediqué a la logística en transporte, algo muy estresante pero satisfactorio al tiempo.
Quería empezar en algo que me hiciese pensar, que me dejase expresar ideas, donde aportar en general, pero por otro lado tampoco quería perder lo aprendido, aquello del bagaje profesional, y ahí es donde me encontré con eso denominado "Data Science".
Desarrollarme con Data Science para mí es una forma de investigar y aprender en áreas distintas en cada proyecto, con un grupo de personas de las que aprender y con las que compartir, por demás con el gusanillo de entregar en tiempos establecidos que le da un plus de estrés/emoción, y así evitar la monotonía para los que no la queremos.
En este período de estudio hemos adquirido muchísimos datos, pero tengo claro que nada sabes hasta que empieza el trabajo de verdad, el día a día, el esfuerzo y las ganas que le pongas, son las que te llevan al aprendizaje completo.
Solo puede acabar diciendo que estaría encantada de empezar cuanto antes en un lugar donde la formación continua y el desarrollo sean esencia de la empresa.

Prácticas: 3 Proyectos 

oct. 2023 - feb. 2024 · 5 meses

Como prácticas en el Bootcamp, he realizado tres proyectos, con la grandísima
colaboración de mis compañeros David Agrazo y Liuva Nuñez-Castelo:
1. Primer Proyecto: Aditivos Alimenticios
Extraímos datos de la Api openfoodfacts, en Jupyter hicimos transformación de datos, realizamos visualizaciones comparando alimentos parecidos, marcas blancas, y mapa de
tiendas según su ecoscore. Conclusión: Entre los 5 aditivos más utilizados, uno de ellos es de los denominados ☠Peligrosos☠.
2. Segundo Proyecto: Setas Venenosas:
Descargando csv de kaggle, procedimos a visualizaciones para encontrar correlaciones, pasamos a numérico los datos para modelo de predicción y feature importance. Conclusión: Cuando tienen mal olor queda un modelo perfecto, lo que es determinante para determinar su no consumo. Quitando esa característica también pudimos encontrar cómo hay otras partes de la seta que también sería fiable para determinar su consumo.
3. Tercer Proyecto: Detectar Emociones por imágenes
Concatenar distintos datasets de imágenes, buscar algoritmos
para mejorar calidad imagen, probar Redes Neuronales CNN y
Alexnet obteniendo el 80% de accuracy. Hicimos el acceso al
proyecto con un modelo que detectase nuestras fotos y otro para
que los compañeros pudieran visualizarlo y probarlo.
Terminamos incluyendo opción de subir un vídeo para obtener el
porcentaje de alegría, tristeza y neutralidad al término del mismo.

🔊Empleos Anteriores:

Transporte: Jefe de Tráfico en Transportes Pibejo, CBL y TIPSA. (7 años)

Oficial administrativo: Asesoría Fiscal y Laboral F.Alvarez, y Carrillo Artesanía Española (8 años)

Hack a Boss - Bootcamp: Sep. 23 - Febr. 24

Python
Librerías: Math, Random, Time, Pickle, Numpy, Pandas, Sympy,
matplotlib, Seaborn, Plotly, Folium, Textblog,
Matemáticas: Vectores, Matrices, Estadística, Medidas de
Dispersión, Cuantiles
(Q1,Q2,Q3), Probabilidad, Distancias, Teorema de bayes, Algebra líneal.
Web scraping: Request, BeautifulSoup, Selenium, Helium y
Acceso por Apis (rest, crud, endpoints): Frankfurter, Foursquare,
Airtable, regex, WordCloud.
MySQL: Base de datos
Machine learning: Procesamiento de datos, Regresión lineal,
Regresión múltiple, ClasificadorKNN, Métricas Clasificación,
Nearest centroid, Regresión Logística, Métodos de validación,
Decision trees, Ada boost, Gradient boost, Random forest, SVM,
Smote, Voting, Clustering, K-means, Dbscan, PCA, NLP,
Algoritmos genéticos, Recomendador contenido y colaborativo,
opencv.
Deep learning: Redes neuronales artificiales y convolucionales,
preentrenadas, Funciones de activación, keras, Regresión, Redes
recurrentes (RNN,LSTM).
Big Data: Pyspark y ML.
Streamlit

Otros:

Secretariado Informático

Bup