Me gusta entender cómo funcionan las cosas y encontrar formas de mejorarlas con datos.
Estudiante avanzada de Ciencia de Datos en la UBA, trabajando con Python, SQL y herramientas de análisis para crear soluciones a problemas reales.
Los datos cuentan historias, solo hay que aprender a escucharlas.
Buenos Aires4to año · FCEyN – UBAInglés B1Full time / Part time
Me gusta resolver problemas reales con datos. Disfruto automatizar tareas repetitivas, ordenar información y desarrollar herramientas que simplifiquen el trabajo de otras personas. Por eso, cuando hago un proyecto, mi prioridad es que la solución sea útil antes que compleja.
Actualmente curso el cuarto año de la Licenciatura en Ciencia de Datos (UBA). Busco mi primera experiencia profesional en un rol administrativo o analítico donde pueda combinar organización, capacidad de aprendizaje y análisis para generar soluciones que aporten valor desde el primer día.
L2
Formación académica
Formación
Licenciatura en Ciencia de Datos
Universidad de Buenos Aires (FCEyN) · 2022 – actualidad · 4to año
Bachiller Universitario en Ciencia de Datos
Universidad de Buenos Aires · 2022 – 2024 · Promedio 7,38
Proyecto final · Curso de Machine Learning, Talento Tech · Python, scikit-learn
Realicé el análisis exploratorio del dataset IBM HR Analytics (1.470 empleados, 35 variables): distribución de clases, outliers y correlaciones.
Preparé los datos con Label/One-Hot Encoding y estandarización, y seleccioné las variables más asociadas a la rotación (horas extra, ingreso mensual, nivel de puesto).
Entrené y comparé un modelo de Regresión Logística y un Random Forest con validación cruzada (5-fold), evaluando Precision, Recall, F1 y ROC AUC además del Accuracy, dado el desbalance de clases.
Concluí que la Regresión Logística generalizaba mejor para detectar empleados en riesgo de renuncia (ROC AUC 0,83 frente a 0,80 del Random Forest), priorizando Recall sobre Accuracy.
