Fernando Ríos Gómez

Dashboard de Riesgo de Diabetes

Objetivo: Dashboard interactivo de Power BI que analiza el riesgo de diabetes en 768 expedientes de pacientes, de los cuales 268 (34.9%) resultaron positivos. Creado para un contexto de salud (CHRISTUS Muguerza), convierte datos clínicos sin procesar en una vista clara y filtrable de quién presenta mayor riesgo. Proceso: - Filtros dinámicos por edad y embarazos, además de controles de rango para glucosa (0–199) e insulina (14–846), para aislar cualquier segmento. - Tarjetas KPI para el total de registros y casos de diabetes, con una distribución de 34.9% con diabetes frente a 65.1% sin diabetes. - Gráficas de tendencia de presión arterial, IMC y glucosa promedio en cinco grupos de edad, además de un ranking de casos por edad. Hallazgos clave: - La glucosa y la presión arterial alcanzan su punto máximo en el grupo de 50–59 años, mientras que el IMC promedio lo hace antes, entre los 40–49. - Los casos de diabetes se concentran en pacientes menores de 30 años y disminuyen con la edad, lo que señala un segmento joven de riesgo que conviene monitorear.

Power BI | Power Query | Visualización de datos

• Power BI
• Power Query
• Visualización de datos

Dashboard del Mercado Mundial de Videojuegos

Objetivo: Dashboard interactivo de Power BI que analiza más de 8,820 millones de unidades vendidas en el mercado mundial de videojuegos entre 1980 y 2017, por plataforma, género, región y año. Resume décadas de datos de la industria en una sola vista de qué se vendió, dónde y cuándo. Proceso: - Filtros dinámicos por plataforma, región, género y año, con restablecimiento en un clic. - Tarjetas KPI que muestran a los líderes principales: PS2 como plataforma líder, Nintendo como desarrollador principal y Acción como género dominante. - Tendencia anual de ventas, ranking de los 10 juegos principales, desglose de géneros por región y gráfica regional de dona respaldada por un mapa mundial. Hallazgos clave: - Las ventas crecieron con fuerza desde mediados de los noventa y alcanzaron su máximo en 2008 (678 millones) antes de disminuir hacia 2017. - Norteamérica generó casi la mitad de las ventas (49%), seguida de Europa (27%) y Japón (15%); Wii Sports (83 millones) fue el título más vendido.

Power BI | Modelado de datos | Diseño de dashboards

• Power BI
• Modelado de datos
• Diseño de dashboards

Agrupamiento Socioeconómico de Países

Objetivo: Proyecto de aprendizaje automático no supervisado que agrupa 167 países mediante 9 indicadores socioeconómicos: mortalidad infantil, ingreso, esperanza de vida, PIB per cápita, inflación y otros. Convierte datos de desarrollo sin procesar en perfiles de países claros y basados en datos. Proceso: - Estandariza todas las variables con StandardScaler y selecciona k = 3 mediante el método del codo y la puntuación silhouette. - Entrena un modelo K-Means y lo compara con agrupamiento jerárquico (aglomerativo) y DBSCAN. - Valida los resultados con las métricas Silhouette, Davies-Bouldin y Calinski-Harabasz. Hallazgos clave: - Produce tres grupos interpretables: desarrollados/de altos ingresos (36 países), en desarrollo/de ingresos medios (84) y menos desarrollados/de bajos ingresos (47). - K-Means logró la mejor separación general (el Calinski-Harabasz más alto); el grupo de bajos ingresos mostró cerca de 93 muertes infantiles por cada 1,000 frente a aproximadamente 5 en el grupo de altos ingresos.

‎Python | Machine Learning | Agrupamiento

• ‎Python
• Machine Learning
• Agrupamiento

Pronóstico del Tipo de Cambio MXN/USD — ARIMA vs LSTM

Objetivo: Proyecto de series de tiempo que pronostica el tipo de cambio diario MXN/USD mediante dos enfoques: un modelo ARIMA clásico y una red neuronal LSTM. Utiliza datos de Banxico de 2016 a 2024 (aproximadamente 2,092 días hábiles) y compara el comportamiento de un modelo estadístico con uno de aprendizaje profundo, especialmente ante choques importantes. Proceso: - Ejecuta pruebas de estacionariedad (ADF y Phillips-Perron) y análisis de rupturas estructurales (Zivot-Andrews), fijando el orden de integración en d = 1. - Ajusta un ARIMA(1,1,0), elegido por el BIC más bajo, y una LSTM apilada (128→64→32 con dropout y ventana de 60 días). - Compara ambos modelos con horizontes de 30, 60 y 90 días. Hallazgos clave: - La LSTM logró el mejor ajuste general (R² 0.97, RMSE 0.19), mientras que ARIMA fue más preciso en el error punto a punto (MAE/MAPE). - ARIMA superó ligeramente a la LSTM alrededor de cada choque estructural, y ambos tuvieron mayores dificultades durante la pandemia de 2020, lo que confirma que los eventos exógenos abruptos son los más difíciles de predecir.

Python | statsmodels | TensorFlow/Keras | scikit-learn 

• Python
• statsmodels
• TensorFlow/Keras
• scikit-learn

Predicción del Rendimiento Estudiantil con Machine Learning

Objetivo: Proyecto de aprendizaje automático supervisado que predice el rendimiento estudiantil (calificación final G3) en Matemáticas y Portugués, planteado como regresión (calificación exacta) y clasificación (Bajo / Medio / Alto). Se basa en 383 estudiantes del conjunto de datos Student Performance de UCI. Proceso: - Combina cuatro métodos de selección de variables (ANOVA F-test, RFE, L1-Logistic y Random Forest) y conserva las variables elegidas por tres o más métodos. - Compara más de 20 modelos: lineales, basados en árboles, ensambles (Random Forest, Gradient Boosting, XGBoost y LightGBM), votación y redes neuronales (MLP), con GridSearch y validación cruzada. - Evalúa R²/RMSE para regresión y accuracy/F1 para clasificación, además de realizar controles de sobreajuste. Hallazgos clave: - Gradient Boosting alcanzó 89.6% de exactitud (F1 0.89) al clasificar el nivel de rendimiento, y Extra Trees explicó R² 0.85 de la calificación final. - En todos los modelos, las calificaciones previas (G1 y G2) y las reprobaciones anteriores fueron los predictores más importantes.

Python | scikit-learn | XGBoost | TensorFlow/Keras 

• Python
• scikit-learn
• XGBoost
• TensorFlow/Keras

Microsoft Power BI

Logical Operations

Emitido en ago. de 2026

Credential ID 674H89J8AL07

Data Analytics Course with Generative AI

Simplilearn

Emitido en ene. de 2026

Credential ID LCR8AXLK3NSH 

Data Analysis with SQL

W3Schools

Emitido en ago. de 2026

Credential ID 6E10W7XJVZJQ 

MATLAB Optimization Onramp

MathWorks 

Emitido en sep. de 2026

MATLAB Programming Skills

MathWorks

Emitido en ago. de 2026