Hola, soy Luis García, un apasionado de la tecnología y la ciencia de datos. Me
considero una persona divertida, responsable y curiosa, siempre en busca de nuevos retos.
Me encanta viajar, pescar y hacer deporte. Valoro el respeto mutuo y la empatía. En mis tiempos libres,
disfruto jugando títulos de survival horror, practicando deporte y saliendo a pescar. A nivel profesional,
tengo un máster en Big Data, Data Science y analítica avanzada.
Como cientı́fico de Datos tengo experiencia aplicando machine learning, deep learning y NLP para transformar
datos masivos en soluciones que mejoran la toma de decisiones. He desarrollado modelos predictivos de series temporales,
análisis de sentimientos y clasificación de textos, con aplicaciones en sectores como energı́a, retail y marketing digital.
Domino Python, SQL y herramientas de big data (PySpark, Azure ML), además de visualización en Power BI y Tableau,
logrando optimizar procesos, reducir costes y aumentar la precisión de las proyecciones.
Máster Big Data, Data Science y analítica avanzada
En enero del 2025 finalicé la maestría en Big Data,
Data Science y Analítica de datos, donde mejoré mi experiencia práctica en el entrenamiento de modelos
de machine learning y Deep Learning. Durante el programa, trabajé con herramientas como Python, SQL y
tecnologías de Big Data como Hadoop, Hive y Spark, lo que me permitió fortalecer mis habilidades en el
manejo de grandes volúmenes de información y en la aplicación de técnicas avanzadas de análisis predictivo.
Formación en ingeniería oceanográfica
Como ingeniero oceanográfico, combino física, matemáticas y programación para comprender los océanos y la atmósfera.
Mi trabajo incluye:
Todos estos conocimientos me permiten hacer ciencia de datos ya sean ambitos empresariales,
ambientales o relacionados con oceanografía .
Máster con enfoque práctico, donde aprendí ha aplicar herramientas del Big Data (Hadoop, Hive, Spark, Apache Kafka, Nifi, entre otras) y entrenar modelos de machine y deep learning para entrenar redes neuronales aplicadas a visión computacional, análisis de series de tiempo, análisis de sentimientos y modelos generativos.
Como ingeniero oceanográfico tengo formación en física, matemáticas, programación y procesamiento de datos. Mi formación académica me permite analizar grandes volúmenes de datos, como son series de tiempo, datos topográficos, batimétricos, ortofotos, imágenes satelitales y masas de agua. Así mismo, tengo experiencia planificando salidas de campo, configurando sensores para la adquisición de datos en tiempo real y el procesamiento de los mismo.
Machine Learning & Deep Learning.
• Autor de los capı́tulos 1, 2, 3, 5 y 7 del libro PIMECLA con contribuciones como cientı́fico de datos. Libro de resultados de un proyecto real de datos.
• Desarrolle un modelo predictivo de ingresos con XGBoost y análisis se sentimientos con NLP en reseñas. Los resultados permiten entender mejor al cliente y aumentar ventas.
• Entrené redes LSTM para predicción de temperatura y consumo eléctrico. La experiencia es aplicable en sectores como energı́a o logı́stica para anticipar demanda y optimizar recursos.
• Modelé ventas semanales con RandomForest y XGBoost logrando un R² de 0.95. Esto muestra cómo se puede optimizar inventarios y mejorar proyecciones de demanda en retail.
• Analicé datos de videos de YouTube (vistas, comentarios, categorı́a, sentimiento de tı́tulos y fecha) para predecir likes.
Identifiqué que categorı́a, sentimiento y fecha son factores clave para que un video entre en tendencia.
Entrené modelos de ML (XGBoost, RandomForest) alcanzando un R² de 0.95, con aplicaciones directas en
estrategias de marketing digital y optimización de campañas.
• Responsable de la extracción, transformación y carga de datos provenientes de sensores remotos, garantizando la calidad y
disponibilidad de la información en las bases de datos de DIMAR.
• Usé Spark para procesar grandes volumenes de datos que no cabian en memoria, reduciendo el tiempo de
procesamiento y garantizado la calidad de la información.
• Entrené modelos estadísticos y de Machine Learning para predicción de series temporales y clasificación.
Mejorando la precisión en la planificación y el monitoreo de fenómenos ambientales.
• Mejoré la calidad de los análisis SIG al integrar y validar datos geoespaciales de
sensores GPS, drones y ecosondas, lo que permitió tomar decisiones más confiables
en proyectos de monitoreo ambiental.
• Diseñé e implementé una base de datos relacional en PostgreSQL, garantizando la
disponibilidad de la información de forma ordenada y accesible para el análisis.
• Desarrollé modelos de machine learning para clasificación de zonas de riesgo en
un volcán de lodo de interés turı́stico, aportando a la seguridad de visitantes y al
fortalecimiento de la gestión del riesgo.
