Bernardo Gaspar

Bernardo Gaspar

About

Detail

Data Science
Córdoba, Córdoba Province, Argentina
Contact Bernardo regarding: 
work
Full-time jobs
Starting at USD8/hour
Flexible work
Starting at USD10/hour
id_card
Internships
Open to unpaid internships
groups
Networking

Timeline

work
Job
school
Education
folder
Project

Résumé

Jobs verified_user 0% verified
  • T
    Pasantia Analista de Datos
    TechnoHacksEduTech Indore
    Jan 2025 - Mar 2025 (3 months)
    🔹 Manejo y limpieza de datos:

    Ingreso y procesamiento de datos en Excel, aplicando funciones estadísticas y de agregación.
    Identificación y corrección de errores mediante técnicas de limpieza de datos.
    🔹 Visualización y análisis de datos:

    Creación de gráficos en Excel y Power BI para identificar tendencias y patrones.
    Desarrollo de dashboards interactivos en Power BI y Tableau para facilitar la toma de decisiones basada en datos.
    🔹 Exploración y narración con datos:

    Aplicación de conceptos de análisis de datos, incluyendo estadísticas descriptivas y tendencias.
    Elaboración de historias con datos mediante visualizaciones impactantes en Tableau.

    Esta experiencia me permit
  • AWS Data Solutions
    AWS Certification
    AWS Data Solutions
    Nov 2024 - Current (2 years)
    AWS Certified Cloud Practitioner
    AWS Certified Solutions Architect – Associate
  • Outlier
    ANALISTA DE EN PROMPTS DE IA
    Outlier
    Jul 2024 - Current (2 years 4 months)
    • Diseñé y optimicé prompts y codigo para modelos de inteligencia artificial, mejorando la precisión y efectividad. • Implementé soluciones personalizadas para automatización, generación de texto y análisis de datos.
  • Coderhouse
    Data Science
    Coderhouse
    Sep 2023 - Aug 2024 (1 year)
  • Coderhouse
    Data Analitycs
    Coderhouse
    Mar 2023 - Sep 2023 (7 months)
  • T
    ANALISTA Y DESARROLLADOR DE SISTEMAS
    TIKA HOTEL|
    Jan 2023 - Mar 2024 (1 year 3 months)
    • Análisis y diseño de un sistema de gestión para hostelería. • Desarrollo de una base de datos relacional y software para reservas. • Herramientas utilizadas: MySQL, PostgreSQL, Power BI, Python (Flask, Django, Pandas, Matplotlib, Seaborn).
  • U
    Ingenieria en Sistemas
    Universidad Tecnológica Nacional
    Mar 2021 - Current (5 years 8 months)
  • freelance
    DESARROLLADOR PYTHON
    freelance
    Jan 2018 - Jan 2020 (2 years 1 month)
    • Desarrollo y optimización de scripts y aplicaciones en Python para resolver problemas personalizados. • Diseño e implementación de soluciones backend utilizando frameworks como Flask y Django. Proyecto Danobus procesos y análisis de datos para transporte
Education verified_user 0% verified
  • AWS
    CLOUD PRACTITIONER
    AWS
    Jan 2024 - Jan 2025 (1 year 1 month)
  • Coderhouse
    DATA ANALYTICS - DATA SCIENCE
    Coderhouse
    Jan 2023 - Jan 2024 (1 year 1 month)
  • U
    ESTUDIANTE DE INGENIERIA EN SISTEMAS DE INFORMACION
    Universidad Tecnológica Nacional de Córdoba
    Jan 2021 - Current (5 years 10 months)
  • U
    DATA SCIENCE - MACHINE LEARNING/DEEP LEARNING
    UTNBA
  • A
    ANALISIS ESTADISTICO/PYTHON
    ARGENTINA PROGRAMA UNJU
  • M
    EXCEL
    Meez
Projects (professional or personal) verified_user 0% verified
  • P
    Plataforma Web Escalable en AWS con Arquitectura de Base de Datos y Servidores
    Feb 2025 - Current (1 year 9 months)
    Diseño de la Arquitectura:
    Se utilizó EC2 para desplegar servidores web con balanceo de carga en Elastic Load Balancer (ELB).
    Se configuró Auto Scaling para aumentar o reducir la cantidad de servidores según la demanda.
    Se utilizó Amazon RDS con PostgreSQL para gestionar la base de datos, asegurando replicación en varias zonas de disponibilidad para alta disponibilidad.
    Se almacenaron archivos estáticos y backups en S3 con versionado activado.
    Se implementó CloudFront para acelerar la entrega de contenido estático.
    Seguridad y Control de Acceso:
    Se configuraron roles en AWS IAM para gestionar accesos y permisos.
    Se habilitó Amazon VPC con subredes públicas para servidores web y privadas para la base d
  • AWS Educate
    Análisis de Logs de Usuarios con Apache Spark en AWS
    AWS Educate
    Jan 2025 - Current (1 year 10 months)
    procesar grandes volúmenes de logs de usuarios generados por aplicaciones web o móviles utilizando Apache Spark en un entorno gestionado por AWS. El sistema analiza estos datos para identificar patrones de comportamiento, detectar anomalías y generar reportes visuales útiles para la toma de decisiones empresariales.

    La solución se basa en la escalabilidad de Apache Spark y la infraestructura robusta de AWS, lo que permite manejar datos en tiempo casi real y realizar análisis detallados de manera eficiente.
  • A
    Análisis de Big Data en Redes Sociales con Hadoop
    Sep 2024 - Nov 2024 (3 months)
    Se recopilaron datos de Twitter y Facebook utilizando sus APIs y almacenándolos en HDFS.
    Se usó Apache Flume para la captura de datos en tiempo real.
    Almacenamiento y Procesamiento:

    Los datos sin estructurar fueron almacenados en HDFS.
    Se utilizaron MapReduce y Apache Spark para procesar grandes volúmenes de información y extraer métricas clave.
    Para acceso rápido a ciertos datos, se almacenaron en HBase, permitiendo consultas eficientes sobre usuarios y publicaciones.
    Análisis y Visualización:

    Se aplicaron técnicas de procesamiento de lenguaje natural (NLP) para identificar el sentimiento de los tweets y publicaciones.
    Se usó Hive para consultas SQL y análisis exploratorio de los datos.
  • P
    Proyectos Github de Data Science
    Nov 2023 - Current (3 years)
    Multiples proyectos donde enfocados en la ciencia de datos implementando:
    Recolección de Datos: Se recopilan datos históricos relevantes.
    Limpieza y Preprocesamiento: Se eliminan datos erróneos, se normalizan valores y se gestionan datos faltantes.
    Selección de Variables: Se identifican las características más relevantes para el modelo.
    Elección del Modelo Predictivo: Se selecciona un algoritmo adecuado según el problema (regresión, clasificación, etc.).
    Entrenamiento del Modelo: Se ajustan los parámetros del modelo usando datos históricos.
    Evaluación: Se mide la precisión con métricas como RMSE, precisión, recall o F1-score.
    Predicción y Despliegue: Se usa el modelo para predecir resultados en datos nuevo