¡Hola! Soy Gonzalo, Analista de Datos y nacido en Argentina. Actualmente estoy cursando la Tecnicatura en Ciencia de Datos y perfeccionando mis habilidades en Machine Learning, Data Mining y Data Analytics. Tengo experiencia con herramientas como Power BI, Qlik Sense, Python y R.

Como consultor de BI y analista de datos, ayudo a las empresas a tomar decisiones basadas en datos y a optimizar sus operaciones mediante visualizaciones y análisis de datos. Estoy continuamente ampliando mis conocimientos y experiencia, con el objetivo de contribuir al campo de la ciencia de datos.

Te invito a explorar mi repositorio donde comparto mis proyectos. Si compartimos intereses o quieres hablar sobre datos, no dudes en conectarte conmigo. ¡Será un placer conversar!

Tech Stack

Este repositorio contiene una colección de proyectos de análisis de datos desarrollados utilizando diversas herramientas y lenguajes, incluyendo SQL, Python, R,Qlik Sense y Power BI. Cada proyecto está diseñado para demostrar técnicas avanzadas en distintas áreas del análisis de datos, proporcionando ejemplos prácticos y soluciones detalladas.

Áreas de Enfoque

• Data Mining:
  • Descubrimiento de patrones y relaciones en grandes conjuntos de datos.
  • Uso de algoritmos de clustering, asociación y clasificación.
  • Implementación en casos de uso como segmentación de clientes y análisis predictivo.
• Machine Learning:
  • Desarrollo de modelos predictivos y de clasificación.
  • Aplicación de algoritmos supervisados y no supervisados.
  • Ejemplos prácticos en predicción de ventas, segmentación de clientes y más.
• Business Intelligence:
  • Creación de dashboards interactivos y reportes visuales.
  • Uso de herramientas como Power BI y Qlik Sense para representar datos de manera comprensible.
  • Enfoque en la comunicación efectiva de insights y resultados.

Objetivos de los Proyectos

• Explorar y aplicar: técnicas avanzadas en la extracción, procesamiento, análisis y presentación de datos.
• Proporcionar ejemplos prácticos: que pueden ser utilizados como referencia para resolver problemas reales en el campo del análisis de datos.
• Desarrollar habilidades: en el uso de diversas herramientas y lenguajes de programación enfocados en el análisis de datos.
• Promover la práctica continua: y el aprendizaje de nuevas técnicas y metodologías en el campo de la ciencia de datos.

Proyecto 1: Visualización de Estadísticas

El objetivo de este proyecto es analizar y visualizar la fase ofensiva del Manchester City durante la temporada 2023/2024 en la Premier League, con un enfoque especial en los pases y tiros. Para realizar este análisis, se extrajeron datos mediante scraping de una página web de estadísticas de fútbol utilizando Python, y luego fueron transformados para su visualización en Power BI.

Proyecto 2: Caso de Negocio + Business Experimentation

Una empresa de retail nacional, líder en la venta de productos electrónicos, ha decidido expandirse a nuevos mercados regionales. Actualmente opera en cinco ciudades principales y desea extender su presencia a tres nuevas ciudades donde aún no tiene operaciones. La dirección necesita una estrategia basada en datos para maximizar la rentabilidad y minimizar los riesgos asociados con esta expansión. El objetivo es desarrollar una propuesta integral para la expansión, que combine los modelos analíticos para optimizar la toma de decisiones

Proyecto 3: Analisis Exploratorio de Datos

El Análisis Exploratorio de Datos es una etapa fundamental en cualquier proyecto de ciencia de datos. A través del EDA, se busca explorar los datos de manera sistemática para entender mejor su estructura, distribución y relaciones entre las variables. En este proyecto, el dataset utilizado contiene información sobre la calidad de los vinos, con varias características que describen sus propiedades físicas y químicas

Resumen de la Certificación

La certificación en análisis de datos de Google cubre los conceptos fundamentales del análisis de datos, incluyendo herramientas y técnicas para transformar datos en insights significativos. Está orientada a principiantes y proporciona habilidades prácticas aplicables en el mundo real.

Descripción de los Cursos

1. Fundamentos del Análisis de Datos: Introducción a los conceptos básicos del análisis de datos, incluyendo el ciclo de vida de los datos y las habilidades necesarias para ser un analista de datos.
2. Habilidades de Preparación de Datos: Se centra en la recopilación y limpieza de datos. Aprenderás a usar hojas de cálculo y SQL para organizar datos de manera efectiva.
3. Análisis de Datos en Excel: Enseña a usar Excel para realizar análisis de datos, incluyendo fórmulas, gráficos y análisis de tendencias, para extraer insights valiosos.
4. Visualización de Datos: Aprendes a crear visualizaciones efectivas utilizando herramientas como Tableau y Google Data Studio para comunicar hallazgos de manera clara y atractiva.
5. Análisis Predictivo: Introducción a técnicas de análisis predictivo utilizando herramientas de análisis y algoritmos para hacer pronósticos basados en datos históricos.
6. Proyecto Final: Un proyecto práctico donde aplicas todas las habilidades adquiridas en un estudio de caso real, creando un análisis completo que demuestre tu capacidad como analista de datos.

Ver Certificado

Resumen de la Certificación

La certificación en Análisis de Datos con Microsoft Power BI está diseñada para capacitar a los estudiantes en el uso de Power BI como herramienta para transformar datos en insights significativos. Se enfoca en el manejo de datos, la visualización y la creación de informes interactivos.

Descripción de los Cursos

1. Introducción a Power BI: Proporciona una visión general de Power BI, su interfaz, y cómo conectar y cargar datos desde diferentes fuentes.
2. Preparación de Datos para el Análisis: Se centra en la limpieza y transformación de datos utilizando Power Query para garantizar que los datos estén listos para el análisis.
3. Visualización de Datos: Enseña a crear visualizaciones interactivas y a utilizar gráficos y tablas para representar datos de manera efectiva en Power BI.
4. Modelado de Datos: Introducción a la creación de modelos de datos, incluyendo relaciones y cálculos, utilizando DAX (Data Analysis Expressions).
5. Creación de Informes y Dashboards: Aprendes a diseñar informes y dashboards interactivos en Power BI para comunicar resultados a diferentes audiencias.
6. Compartir y Colaborar: Este curso aborda cómo compartir y colaborar en informes y dashboards utilizando el servicio en línea de Power BI.
7. Proyecto Final: Aplicación de las habilidades adquiridas en un proyecto práctico que consiste en el desarrollo de un informe y un dashboard de Power BI a partir de un conjunto de datos real.

Ver Certificado

El curso se divide en dos partes:

La Parte 1 se centra en los principales algoritmos de aprendizaje automático y su aplicación práctica utilizando Python. Los temas tratados incluyen:

• Regresión Lineal: ingeniería de características, manejo de variables categóricas y la importancia de la regularización.
• Clasificación: regresión logística y la importancia de las características.
• Árboles de Decisión y Aprendizaje por Conjuntos: técnica de boosting por gradiente y XGBoost, un popular algoritmo de aprendizaje por conjuntos.
• Redes Neuronales y Aprendizaje Profundo: Redes Neuronales Convolucionales (CNN) y técnicas de transferencia de aprendizaje para abordar problemas complejos con aprendizaje profundo.
• Python y Jupyter Notebooks: trabajando de manera eficiente con código.
• NumPy y Pandas: conceptos de álgebra lineal como matrices y manipulación y análisis de datos.
• Matplotlib y Seaborn: visualización de datos y representaciones gráficas.
• Scikit-Learn: aplicación de varios algoritmos de aprendizaje automático a conjuntos de datos del mundo real.
• TensorFlow y Keras: marcos populares para construir redes neuronales y modelos de aprendizaje profundo.

La Parte 2 está dedicada al despliegue de modelos, que implica poner modelos de aprendizaje automático en producción. En esta sección, adquirirás habilidades prácticas utilizando marcos y herramientas populares. Los temas tratados incluyen:

• Flask, Pipenv y Docker: despliegue de modelos de aprendizaje automático, lo que te permitirá trasladar tus modelos de notebooks a servicios y aplicaciones.
• AWS Lambda y TensorFlow Lite: aprendizaje profundo sin servidor, comprendiendo cómo operar de manera eficiente dentro de este paradigma.
• Kubernetes y TensorFlow Serving: automatización del despliegue, escalado y gestión de aplicaciones en contenedores.
• KServe (opcional): un tema adicional para aquellos que buscan conocimientos avanzados, ofreciendo perspectivas sobre cómo mejorar aún más las capacidades de despliegue.

Ver Certificado