AIRInstitute (Abril 2026 – )

• Prácticas en el AIR Institute como interno de investigación en Machine Learning.

• Trabajo en proyectos de investigación aplicada en Inteligencia Artificial y Visión Artificial.

• Uso de PyTorch y modelos de Deep Learning para resolver problemas reales en colaboración con empresas e instituciones.

• Desarrollo continuo de habilidades técnicas y crecimiento profesional en entornos de investigación aplicada.

HLSU: Applied Artificial Intelligence (AAI) Lab (Octubre 2025 – Enero 2026) Suiza

• Colaboración con el Applied Artificial Intelligence (AAI) Lab en HSLU en proyectos de investigación en Machine Learning y Deep Learning.

• Investigación en arquitecturas Transformer encoder aplicadas a datos de clickstream y secuencias de eventos.

• Desarrollo de enfoques para sistemas de recomendación basados en comportamiento de usuario

Wembleys (Julio 2025 – Septiembre 2025) España:

• Machine Learning & Backend Engineer en colaboración con Wembley Studios (Salamanca).

• Desarrollo de proyectos con Python, C# y servicios en Azure.

• Machine Learning: uso de TensorFlow y Azure ML para tuning de hiperparámetros y optimización de modelos.

• Backend: diseño de sistemas con Domain-Driven Design (DDD) y arquitectura de microservicios.• Uso de Docker para despliegue, escalabilidad y gestión de servicios.

• Deep Learning Specialization (5 cursos): fundamentos teóricos y prácticos del Deep Learning y sistemas modernos de Machine Learning.

• Neural Networks and Deep Learning: redes neuronales, funciones de activación, vectorización y entrenamiento de modelos.

• Improving Deep Neural Networks: optimización (Adam, Momentum, RMSProp), regularización (Dropout, L2), batch normalization y mini-batch training.

• Structuring Machine Learning Projects: buenas prácticas en ML, análisis bias-variance, partición de datos y transfer learning.

• Convolutional Neural Networks: visión por computador con arquitecturas como VGG, ResNet e Inception, y técnicas como YOLO y U-Net.

• Sequence Models: modelos secuenciales como RNN, LSTM, GRU, atención y Transformers.

Mathematics for Machine Learning and Data
Science Specialization (3 Cursos) : Deep Learning.AI

• Probabilidad y Estadística aplicada a Machine Learning: distribuciones de probabilidad, inferencia estadística y evaluación de modelos
• Cálculo para Machine Learning: derivadas, optimización, gradient descent y backpropagation
• Álgebra Lineal para Ciencia de Datos: matrices, vectores, transformaciones lineales y PCA.

Introduction to Artificial Intelligence with Python Harvard CS50

• Fundamentos de Inteligencia Artificial: algoritmos de búsqueda, optimización y razonamiento probabilístico.

• Probabilidad y Estadística aplicada a Machine Learning: distribuciones de probabilidad, inferencia estadística y evaluación de modelos.
• Machine Learning y Deep Learning con Python: desarrollo e implementación de modelos de IA.
• Procesamiento de Lenguaje Natural (NLP): construcción de sistemas capaces de comprender y procesar texto.

Introduction to programming with Python with Python Harvard CS50

• Introducción a programación con Python: fundamentos de sintaxis, variables, funciones y lógica de programación.

• Resolución de 9 problem sets con ejercicios progresivos para desarrollar pensamiento computacional y habilidades prácticas.

• Uso de estructuras básicas como condicionales, bucles, funciones, manejo de errores y trabajo con archivos.

• Desarrollo de proyectos aplicados, incluyendo ejercicios de automatización, lógica y pequeños sistemas en Python.

• Proyecto final: creación de un programa propio en Python aplicando todos los conocimientos del curso.

• Refuerzo de buenas prácticas de programación y resolución de problemas paso a paso.