Soy Julian Carrillo, matemático y científico de datos, apasionado por la ciencia, la tecnología y dispuesto a aprender nuevas cosas.
Trabajo actualmente en el equipo de analítica de una compañía colombiana del sector finanzas como científico de datos, desarrollando e implementando proyectos de análisis descriptivo, predictivo y prescriptivo, usando técnicas como Machine Learning, Deep Learninig y PLN, enfocados a la solución de problemas del core de negocio.
🚀 Me encanta todo lo relacionado con astronomía y exploración espacial
🦾 Antes de ser matemático estudie mecatrónica, así que la robótica es otra de mis pasiones
🕵️♂️ Me gustan los libros de Sherlock Holmes
🎮 En mis tiempos libres juego videojuegos
🎸 Amo el Rock 🤘
💪 Y por supuesto me gusta hacer deporte, no todo puede ser computador
Warning
En este momento estoy actualizando el repositorio, iré subiendo el material en mis timpos libres.
Una de las actividades que disfruto mucho es enseñar, y durante los últimos años he recopilado y organizado notas de clase sobre Python. Mi objetivo es contribuir a las personas que están comenzando a programar en este maravilloso lenguaje. He estructurado el curso de manera gradual, para que cada lección proporcione nuevas herramientas y fortalezca el conocimiento adquirido.
En este apartado se presenta una serie de ejercicios, estructurados a modo de tutorial, en los que se exploran diversas aplicaciones de Python. Estos ejercicios están diseñados para ser útiles tanto en entornos académicos como en el ámbito laboral, proporcionando herramientas prácticas para el análisis de datos, automatización de tareas, desarrollo de algoritmos y otras aplicaciones clave en programación.
Tip
En los repositorios que incluyen un cuaderno de Jupyter, dentro de la sección Visualice la práctica del archivo README, encontrará un enlace que lo dirigirá a nbviewer. Esta herramienta permite visualizar los cuadernos de Jupyter de manera más clara y estructurada, facilitando la exploración del código, gráficos y resultados sin necesidad de ejecutarlos localmente.
-
Práctica FastAPI - Docker: Presenta un breve ejemplo de cómo desplegar una API con la cual podemos usar un modelo GPT-2 para la generación de texto. Se hace uso de FastAPI para montar la API, y mediante Docker podemos desplegarla a través de un contenedor.
-
Práctica PokeAPI: El objetivo de la práctica es consumir la API REST de Pokémon para construir una Pokédex digital que almacene y muestre información estructurada sobre diversas especies. Usaremos solicitudes HTTP para obtener datos en formato JSON, procesarlos y visualizarlos de manera eficiente.
-
Práctica Algoritmo de Luhn: El objetivo de la práctica es implementar el algoritmo de Luhn mediante funciones que permitan generar números de tarjetas bancarias aleatorios o validar un número existente. Esto se logrará aplicando la lógica del algoritmo para calcular el dígito de control y verificar la autenticidad de los números ingresados, garantizando su conformidad con el estándar utilizado en sistemas de identificación bancaria.
-
Práctica Folium: Este ejercicio presenta un caso práctico de georreferenciación de centros comerciales en Bogotá, Colombia, donde se explora a través de la librería Folium la visualización de datos espaciales.
-
Práctica WordCloud: Un ejercicio introductorio sobre cómo realizar un análisis de texto básico mediante el uso de nubes de palabras. En este ejercicio, exploraremos una técnica fundamental para extraer y visualizar las palabras más frecuentes en un conjunto de datos textuales, facilitando la identificación de patrones y tendencias clave en el contenido analizado.
| Lenguajes |
|---|
| Nubes |
|---|
| IDE´s | ||
|---|---|---|
| Otras | ||
|---|---|---|
