👩‍💻 Sobre mí

Soy Ingeniera Electrónica orientada a Infraestructura, Telecomunicaciones y Tecnología, con interés en el análisis de datos, automatización y aplicación de soluciones basadas en información para la toma de decisiones.

Bienvenido/a a mi repositorio de proyectos finales realizados en el área de Data Analytics y Data Science.

Actualmente complemento mi experiencia técnica con conocimientos en Data Analytics, Machine Learning y Ciencia de Datos.

Este espacio reúne análisis de datos, exploración de datasets, modelos de Machine Learning y generación de insights utilizando diferentes herramientas y metodologías aplicadas al ciclo completo de un proyecto de datos.

📊 Proyectos - Data Analytics & Data Science

🚀 Proyectos incluidos

📌 Proyecto 1 - "Exportación de Litio en Argentina"

Descripción:
El análisis se centra en los datos de exportación de carbonato e hidróxido de litio desde Argentina entre enero de 2023 y mayo de 2025. Contiene más de 4000 filas con datos cuantitativos y cualitativos relacionados con la logística, los destinos internacionales, los valores de exportación, el empleo provincial, y el contexto global del mercado del litio. Incluye además variables económicas complementarias, como el precio internacional de referencia, el salario del sector litífero, y el uso industrial estimado del litio exportado.

Contenido:

• Contexto del problema
• Análisis exploratorio de datos (EDA)
• Limpieza y preparación del dataset
• Visualización de datos
• Modelado predictivo (si aplica)
• Evaluación de resultados
• Conclusiones e insights

Tecnologías utilizadas:

• Pandas
• NumPy
• Matplotlib
• Seaborn
• Jupyter Notebook

📌 Proyecto 2 - "Classiffication Diabetes"

Descripción:
Modelo de clasificación capaz de predecir la presencia de diabetes a partir de variables relacionadas con factores de riesgo del paciente, utilizando como variable objetivo, Diabetes_012.

Contenido:

• Exploración del dataset
• Tratamiento de datos faltantes
• Ingeniería de variables
• Entrenamiento de modelos
• Métricas de evaluación
• Interpretación de resultados

Tecnologías utilizadas:

• Machine Learning
• Data Visualization

🛠️ Herramientas y tecnologías Utilizadas

Lenguajes

Análisis y procesamiento de datos

• Pandas
• NumPy

Visualización

• Matplotlib
• Seaborn

Machine Learning

Modelos supervisados y no supervisados

Entornos

📈 Metodología aplicada

Los proyectos siguen una metodología basada en:

1. Definición del problema
2. Obtención y comprensión de datos
3. Data Cleaning
4. Exploratory Data Analysis (EDA)
5. Feature Engineering
6. Modelado
7. Evaluación
8. Conclusiones y generación de insights

🎯 Objetivos de este repositorio

• Documentar mi aprendizaje en Ciencia de Datos.
• Aplicar técnicas de análisis y modelado sobre datos reales.
• Crear soluciones orientadas a la toma de decisiones.
• Construir un portfolio técnico en Data Analytics y Data Science.