Formación
Títulos académicos
- Educación Secundaria Obligatoria
Colegio La Concepción, Ontinyent
2014 – 2017
- Bachillerato científico
Colegio La Concepción, Ontinyent
2017 – 2019
- Prueba de acceso a la universidad
Convocatoria de Junio, APTO
2019
Formación NO relacionada con el sector
- Auxiliar de Clínica Veterinaria
CIM Formación, Valencia
Presencial
- Educador y adiestrador canino
CIM Formación, Alicante
Centro canino Ngorong-Ngorong
Presencial
Tras un año de prácticas y trabajo particular como adiestrador canino, tras haber descartado la opción de trabajar como auxiliar de veterinaria y tras perder la motivación en ese entorno decido dar un giro de timón y empezar mi formación autodidacta en el mundo de la informática.
Formación autodidacta
Diseño y arquitectura web
En ese breve periodo de reflexión anteriormente comentado, recordé una de las primeras clases de informática que cursé en la ESO que iba precisamente sobre el desarrollo de páginas Web, me encantó la idea de poder diseñar mi propio sitio web y, junto a 2 compañeros, creamos un blog muy cutre en el que informábamos sobre la actualidad del Valencia CF. Fue una experiencia divertida y interesante pero no llegó muy lejos por la falta de contenido.
En esa búsqueda de nuevas motivaciones este recuerdo me impulsó a retomar esa vieja ilusión por crear nuevos proyectos de páginas web y empecé mi formación autodidacta en el mundo del desarrollo web.
En este periodo de formación desarrollé las siguientes aptitudes:
- Posicionamiento SEO
- Diseño de páginas web
- Nociones de html
- Web Interlinking
- Copywriting
- Márketing de afiliación
Para adquirir estos conocimientos utilicé, entre otras, las siguientes herramientas:
- WordPress
- Woocommerce
- Elementor
- Ubersuggest
- Yoast SEO
- Google Analytics
- Google Trends
- Google Search Console
Análisis de datos
A partir de el uso de herramientas de análisis de rendimiento de páginas web, como por ejemplo Google Analytics o Google Search Console, me adentro en el mundo del análisis de datos y descubro un mundo en auge y con muchas salidas laborales.
Durante unos cuantos meses aprendo las bases de modelado de datos en Power Query, primero en Excel y luego en Power BI y empiezo a crear mis primeros dashboards dinámicos con Datasets públicos sencillos.
Además, a medida que voy profundizando los conocimientos en Power BI poniendo en práctica algunos proyectos con Datasets públicos, empiezo también crear columnas calculadas y medidas con DAX y voy entendiendo también la lógica del código m que hay detrás de la interfaz de Power Query.
En este periodo de formación desarrollé las siguientes aptitudes:
- Visualización de datos
- Diseño y desarrollo de informes en Power BI y Excel
- Principios básicos de limpieza y transformación de datos
- Principios básicos de modelado analítico
- ETL básicos con Power Query
- DAX y Power m
Como ya he comentado, en este primer acercamiento al mundo de los datos descubrí y profundicé conocimientos en estas herramientas:
- Excel
- Power BI
Ingeniería de datos
A medida que voy adquiriendo conocimientos de análisis y visualización de datos en Power BI y Excel y voy desarrollando ETL básicos en Power Query, empiezo a adentrarme en el mundo de las bases de datos SQL para crear proyectos con orígenes de datos con alguna complejidad mayor que los libros de Excel convencionales.
En estos meses entiendo el funcionamiento de las bases de datos relacionales y los principios básicos de normalización y relación entre las distintas entidades de las bases de datos. Poco a poco voy aprendiendo también consultas SELECT muy básicas en Datatsets públicos con tutoriales guiados.
En esta fase de mi formación empiezo a entender el mundo de los datos más allá de su visualización en Power BI y entiendo realmente la importancia de tener ETL automatizados y eficientes externos a Power Query. Empiezo a desarrollar algunos proyectos personales con Integration Services y SQL Server Managment Studio funcionales. Nada muy avanzado de momento.
En este periodo de formación desarrollé las siguientes aptitudes:
- Lenguaje de consultas SQL
- Transformación y Limpieza de datos en vistas de SQL
- Gestión de bases de datos relacionales
- Normalización y estructura de entidades relacionales
- Desarrollo de ETL básicos con Integration Services
Para este acercamiento al mundo de las bases de datos relacionales utilicé principalmente las siguientes herramientas:
- MySQL
- SQL Server
- SQL Server Managment Studio
- Integration Services
- Visual Studio
Desarrollo Python
Buscando nuevos proyectos para seguir aprendiendo cosas nuevas en relación al análisis de datos, y tras investigar un poco sobre cómo vincular Google Analytics con Power BI, descubro que con Python puedes desarrollar scripts que leen la información de cualquier web y la transforman en datos estructurados que pueden ser analizados.
A raíz de este descubrimiento empiezo a investigar sobre la relación entre Python y el mundo de los datos y motivado por la gran cantidad de posibilidades que ofrece empiezo mi formación en este lenguaje de programación.
Durante estos meses fuí desarrollando proyectos cada vez más ambiciosos, algunos publicados en esta web y otros aún por publicar. Algunos de estos proyectos sí tenian relación con el mundo de los datos, como por ejemplo algunos cuadernos de ciencia de datos y desarrollo de modelos predictivos en Jupyter NB con pandas, pero otros muchos los desarrollaba en un principio para poner en práctica mis conocimientos aunque algunos llegaron incluso a proyectarse como ideas de negocio.
Hasta que a principios de 2023 me apunté al máster de Advanced Analytics en Tecnologías Microsoft y opté por dejar un poco de lado esa parte más de desarrollo de aplicaciones para centrarme al 100% en los datos, con la idea de utilizar todos los conocimientos adquiridos hasta la fecha para desarrollar mejores y más eficientes ETL y, en el futuro, cuadernos de Machine Learning y ciencia de datos.
En este periodo de formación desarrollé las siguientes aptitudes:
- Desarrollo Python
- Desarrollo de scripts de Visión Artificial
- Desarrollo de scripts de OCR
- Web scraping
- Primeras nociones de desarrollo en cuadernos .ipynb
- Primeras nociones de ciencia de datos con Python
- Análisis de datos con Python
- Gestión de datos en Dataframes (pandas)
Estas son las principales herramientas que aprendí a utilizar en este periodo de mi formación:
- Python
- PyCharm
- Visual Studio Code
- Anaconda
- Jupyter NB
- Google Colab
- pandas, BeautifulSoup, pytesseract, selenium…
Máster Advanced Analytics en Tecnologías Microsoft
- Arquitecturas
- Datwarehousing
- Almacenamiento
- Transformación de datos
- Análisis de datos
- Visualización de datos
- Control de código
- git
- Metodologías CICD
- Modelo dimensional
- Modelado en Power BI
- DAX
- Modelo avanzado
- Seguridad
- Storytelling
- Diseño de un Data Lake
- Azure Synapse Analytics
- Ingesta
- Transformación
- Transformación con Apache Spark
- Procesamiento en Steraming
- Seguridad en el dato
- Monitorización de una plataforma analítica
- Orígenes
- Transformación
- Visualización
- Interacciones y temas
- Transformaciones avanzadas
- Diseño de dashboards
- Gestión de accesos y seguridad
- Gestión de licencias
- Funciones generales
- Contextos y DAX avanzado
- Internals y optimización
- Introducción al gobierno del dato
- Microsoft PurView
Esta etapa ha sido clave en mi formación para asentar las bases que ya tenía y para aprender, profundizar y poner en práctica nuevas metodologías y tecnologías que sin haber cursado este máster muy dificilmente habría descubierto por mi cuenta. A lo largo de este proceso he aprendido muchísimas cosas pero, por resumir, me gustaría comentar los puntos más destacados:
Hasta antes de empezar el máster, todos mis proyectos habían sido proyectos on-premise, había investigado muy por encima algunas funcionalidades de la plataforma Microsoft Azure pero hasta ahí. Con este máster le he perdido el miedo a crear recursos en la nube de Azure por el desconocimiento de los costos que podía suponer una equivocación en su configuración.
Había escuchado hablar sobre el concepto de Data Lake pero, al haber trabajado siempre con bases de datos relacionales, no terminaba de entender las ventajas que podía suponer esta solución, sobretodo para grandes volúmenes de datos. Al entender y poner en práctica proyectos Lakehouse se me abren muchísimas puertas que ni imaginaba que existían a la hora de desarrollar soluciones ETL.
Con Power BI sí que tenía algo de experiencia y además yo me creía que tenía dominaba la herramienta a la perfección pero en este máster me he dado cuenta de que tenía muchísimos errores de concepto y que no conocía ni el 20% de la tecnología. Además, acabo esta etapa sabiendo gestionar correctamente las áreas de trabajo y con un amplio conocimiento de licencias y roles de usuarios y entendiendo por fín los contextos en DAX que tan importantes son para desarrollar visualizaciones eficientes.
Sin duda es la herramienta en la que más he evolucionado en cuanto a mi conocimiento, empecé esta etapa sin ni siquiera saber para que servía y ahora mismo es una herramienta clave para el desarrollo de cualquier arquitectura que tenga que desarrollar en la nube de Azure. Sobretodo he adquirido conocimientos clave en el desarrollo de arquitecturas Lakehouse que extraen, transforman y modelan la información mediante Apache Spark y canalizaciones dentro del área de trabajo de Synapse.
Además todo este conocimiento me sirve para la nueva plataforma lanzada por Microsoft, Fabric, que emplea la misma idea que Synapse pero ya integrada en el entorno Power BI Service. Considero que aún me queda muchísimo por aprender en esta tecnología pero sin ninguna duda creo que este ha sido el salto de conocimiento más importante de mi formación.
En definitiva, creo que este máster ha sido clave para dar el salto al mundo laboral ya que, no sólo me ha aportado el conocimiento en los conceptos de base del sector y en las herramientas necesarias para llevar a cabo las distintas tareas sino que, además, me ha ofrecido ese entorno guíado para poner en práctica todo el conocimiento adquirido.
- Azure Event Hub
- Azure Stream Analytics
- Azure Analysis Services
- Azure SQL
- Azure Data Factory
- Azure Data Lake
- Azure Synapse Analytics
- Apache Spark Synapse
- Grupo SQL dedicado de Synapse
- Synapse SQL Serverless
- Power BI
- Integration Services
- Visual Studio
- Self-hosted Integration Runtime
- Desarrollo de soluciones End to End on-premise
- Desarrollo de soluciones End to End en Azure
- Inegniería en proyectos de Big Data
- Ingesta/Extracción de datos
- Limpieza y transformación
- Modelado de datos
- Análisis de datos
- Visualización y storytelling
- Gestión de áreas de trabajo (Power BI)
Esta entrada tiene como objetivo proporcionar una descripción detallada de la migración de los datos y la reestructuración del ETL de una empresa dividida en tres delegaciones (España, Francia y Portugal) hacia una plataforma centralizada en Microsoft Azure.
La solución propuesta está basada en una arquitectura Lakehouse y se centra inicialmente en la creación de un Datamart de ventas como prueba de concepto, con la visión de una migración completa de la empresa en el medio/largo plazo.
- Data Lake Gen 2
- Azure Synapse Analytics
- Apache Spark
- Power BI
Bootcamp Data Science y Python
- Apache Hadoop
- Ecosistema Hadoop
- Datos estructurados y no estructurados
- IA, ML, DL: Diferencias clave
- Evolución histórica del ML
- Aprendizaje supervisado, no supervisado y por refuerzo
- Fases de un proyecto de ML
- Aplicaciones en la industria
- Carga y exploración de datos
- Tipos de datos
- ¿Cómo tratar los datos?
- Visualización de datos
- ¿Qué es un algoritmo?
- Regresión y Clasificación
- Clustering y Reducción dimesnional
- Métricas
- Selección de modelos
- Feature engineering
- Selección de variables
- Imbalanced learning
- Series temporales
- ¿Qué es el Deep Learning?
- Redes neuronales
- Aplicaciones del Deep Learning
- Redes neuronales con Python
- Puesta en producción
- Despliegue de un modelo de ML con Azure ML Designer
- Forecast, recomendadores, chatbots
- Visión artificial, mantenimiento predictivo, conducción autónoma
- Q&A
- Azure IA Services
- Integración con Azure ML
- Características de la IA en Power BI
- Fuentes de datos
- Preprocesamiento de datos
- Spark ML
- Spark streaming
- Casos de uso
Este bootcamp ha sido un importante punto de partida al profundo mundo de la ciencia de datos. En estos meses he podido ver y entender la gran ventaja competitiva que aportan los modelos de IA en el sector empresarial con soluciones como por ejemplo la automatización de tareas repetitivas, la implementación de asistentes virtuales o chatbots, el uso de recomendadores o modelos de predicción de ventas o pérdida de clientes entre muchos otros.
En definitiva, esta formación me ha abierto un poco más el abanico de preguntas que me debo plantear a la hora de desarrollar una arquitectura de datos, no solo debo buscar respuesta a questiones como ¿Qué ha pasado?, ¿Por qué ha pasado?, ¿Qué está pasando? y ¿Por qué está pasando?; a partir de ahora me preguntaré también ¿Qué va a pasar? y ¿Por qué va a pasar? y, si tengo los datos con la calidad necesaria, podré responder esas nuevas preguntas con las probabilidades de mi lado y si no los tengo, trabajaré para tenerlos cuanto antes.
Certificaciones de Microsoft
