Carlos Mendoza

• Graduado con matrícula de honor en el trabajo final: "Modelos híbridos para la predicción de series temporales financieras."

• Colaboré como investigador ayudante en el grupo de Sistemas Inteligentes, desarrollando algoritmos de clasificación para datos no balanceados.

• Formación integral en ingeniería del software, sistemas operativos y arquitectura de computadores.

• Realicé prácticas en empresa en el departamento de inteligencia de negocio de una consultora tecnológica.

• Lidero el diseño y despliegue de modelos predictivos de fraude en tiempo real, logrando reducir las pérdidas por fraude en un 23 % en el primer año.

• Desarrollo pipelines de datos escalables en AWS (S3, Glue, SageMaker) y orquestación con Apache Airflow.

• Impulso la adopción de MLOps y buenas prácticas de reproducibilidad, monitorización y gobernanza de modelos.

• Coordino un equipo de 4 científicos de datos y colaboro con ingenieros de software y analistas de negocio para priorizar casos de uso de alto impacto.

• Presento resultados ejecutivos periódicos al comité de dirección y asesoro en la definición de la estrategia de datos de la compañía.

• Construí modelos de segmentación de clientes mediante clustering (K-means, DBSCAN) para campañas de marketing personalizadas, incrementando la tasa de conversión en un 15 %.

• Automatizé informes de negocio con Python y SQL, reduciendo el tiempo de generación de reportes de 3 días a 2 horas.

• Implementé sistemas de recomendación basados en filtrado colaborativo para la banca online.

• Participé en la migración de un data warehouse on-premise a Google BigQuery.

• Diseñé y mantuve procesos ETL para la integración de datos de múltiples fuentes en entornos Hadoop y Spark.

• Desarrollé dashboards en Tableau y Power BI para monitorizar KPIs de clientes del sector retail.

• Optimicé consultas SQL y modelos dimensionales para acelerar el acceso a datos analíticos.

Reconocimiento al proyecto "Detección temprana de enfermedades cardiovasculares mediante deep learning", desarrollado en colaboración con el Hospital Universitario de La Paz.

Premio al trabajo fin de máster por su contribución a la predicción de series temporales financieras con modelos híbridos.

• Propone un sistema híbrido basado en Random Forest, Gradient Boosting y redes neuronales para identificar patrones de fraude.

• El modelo alcanza una AUC-ROC de 0,97 sobre un conjunto de datos real del sector asegurador.

• Analiza la interpretabilidad de los modelos mediante SHAP para facilitar su adopción en entornos regulados.

Carlos es un profesional excepcional, con una gran capacidad para traducir problemas de negocio en soluciones analíticas. Su liderazgo técnico y visión estratégica han sido clave para el éxito de nuestro equipo.

• Fine-tuning de modelos BERT y RoBERTa sobre un corpus de noticias etiquetadas en español.

• Desarrollo de una API REST con FastAPI y despliegue en un contenedor Docker en Google Cloud Run.

• Publicación de los notebooks y el dataset procesado en GitHub como recurso educativo.

• Permite a los usuarios sin perfil técnico explorar sus datos de ventas, gastos y rentabilidad de forma intuitiva.

• Incluye módulos de predicción de tesorería mediante Prophet y análisis de desviaciones.

• Colaboré con ONG en el análisis de datos socioeconómicos para optimizar la distribución de ayudas alimentarias.

• Desarrollé modelos de predicción de desempleo a nivel comarcal para orientar políticas públicas locales.

• Impartí talleres introductorios de Python y visualización de datos a estudiantes de secundaria en zonas rurales.