Desarrollador autodidacta centrado en Python, documentación técnica y construcción de proyectos bien estructurados. Mi trabajo se apoya en una idea simple: entender el problema con claridad, dividirlo en partes manejables y convertirlo en código legible, mantenible y explicable. Mi perfil se sostiene hoy sobre tres líneas visibles y complementarias: JJ_PYTHON_BOOK como recurso didáctico de programación orientado a Visual Studio Code, la ruta propia de ML y DL como recorrido técnico progresivo, y Mesias como aplicación práctica de IA local dentro de una arquitectura modular pensada para estudio, laboratorio y portfolio técnico. Las tres forman un mismo recorrido: aprender con orden, estructurar conocimiento útil y convertirlo en sistemas reales.

• Python como lenguaje principal de diseño e implementación
• Arquitectura modular y separación clara de responsabilidades
• Programación orientada a objetos, refactorización y type hints
• Documentación técnica útil, precisa y mantenible
• Diseño de sistemas explicables, mantenibles y fáciles de extender
• Construcción de proyectos desde cero con criterio estructural

Estos proyectos no están aislados entre sí. JJ_PYTHON_BOOK refuerza la base de programación y la claridad expositiva, la ruta de ML y DL organiza la progresión técnica, y Mesias reúne esa base en una aplicación práctica de IA local. Juntos definen el núcleo real de mi perfil.

Libro interactivo para aprender Python desde cero directamente en Visual Studio Code. La primera parte organiza el aprendizaje en 21 capítulos modulares, con teoría clara, ejemplos ejecutables y una progresión pensada para aprender tocando el código. También funciona como material de consulta diaria mientras se programa. Este proyecto refleja especialmente mi interés por explicar bien, estructurar contenidos y construir recursos técnicos que no solo funcionen, sino que también enseñen.

Desarrollo una ruta formativa práctica en matemáticas, ciencia de datos, machine learning, deep learning, NLP y transformers mediante notebooks organizados por cuatro fases. Este trabajo refleja una progresión real y bien estructurada: desde álgebra lineal, estadística, cálculo, normalización, NumPy y Pandas, hasta modelos supervisados, evaluación, PyTorch, entrenamiento de redes, transfer learning, transformers, fine-tuning e inferencia optimizada. Ahora mismo estoy puliendo este recurso para publicarlo en GitHub con el mismo cuidado estructural aplicado a JJ_PYTHON_BOOK, de forma que quede visible como el puente natural entre la base de Python y la aplicación real de IA.

Asistente local de IA aplicada desarrollado en Python, orientado a inferencia local, memoria conversacional, contexto web seguro por HTTPS y entrenamiento LoRA con un enfoque prudente de recursos. Integra arquitectura modular, Transformers, PyTorch, FastAPI, Gradio, persistencia en JSON y un pipeline de entrenamiento documentado de extremo a extremo. Es el proyecto donde convergen con más claridad las otras dos líneas del perfil: la base de Python bien estructurada y la progresión técnica adquirida en ML, DL y NLP, todo ello dentro de una base pensada para aprender, experimentar y construir con control local.

• Machine Learning y Deep Learning
• PyTorch y Torchvision
• Scikit-Learn y SciPy
• NumPy, Pandas, Matplotlib y Seaborn
• Trabajo con notebooks, datasets y procesos de entrenamiento progresivos
• Integración de modelos en sistemas Python
• Diseño de pipelines aplicados de IA y flujos de trabajo end-to-end
• Ecosistema Hugging Face: Transformers, Tokenizers, Datasets, Safetensors, Accelerate, SentencePiece y Hugging Face Hub

• Inferencia local con Transformers
• Entrenamiento LoRA con PEFT
• Optimización de prompts y flujos de trabajo
• Integración de modelos en aplicaciones reales
• Trabajo práctico en entornos locales y Visual Studio Code
• Prioridad por control local, trazabilidad y legibilidad

• Visual Studio Code
• Jupyter Notebook
• Git y GitHub
• Markdown
• Draw.io
• Python 3
• venv y pip

• PyTorch, Torchvision y Accelerate
• Transformers, Tokenizers, Safetensors y SentencePiece
• FastAPI, Uvicorn y Pydantic
• Gradio
• NumPy, Pandas, Matplotlib, Seaborn y SciPy
• Requests y BeautifulSoup4
• JSON y JSON Lines
• Kaggle
• PEFT y LoRA
• BitsAndBytes
• tqdm
• python-dotenv
• IPython, IPykernel, NBConvert, NBFormat, Jupyter Core y Jupyter Client

• Analizo el problema antes de implementar
• Divido el trabajo en pasos lógicos y verificables
• Priorizo código limpio, modular y mantenible
• Documento lo necesario para que el proyecto sea entendible y reutilizable
• Busco soluciones claras antes que complejidad innecesaria
• Mantengo foco en estructura, coherencia y escalabilidad
• Intento que cada proyecto sirva a la vez para construir, aprender y mostrar criterio técnico

• Base sólida en Python aplicada a proyectos reales y materiales formativos propios
• Capacidad autodidacta sostenida con evidencia en proyectos propios y rutas de estudio estructuradas
• Organización de código, carpetas y documentación con criterio técnico
• Facilidad para explicar conceptos de forma clara y progresiva
• Buen nivel de constancia para desarrollar proyectos largos por fases
• Capacidad para unir aprendizaje técnico y construcción práctica

• Compromiso con el trabajo bien hecho
• Disciplina de estudio y mejora continua
• Mentalidad práctica orientada a resolver problemas
• Respeto por la claridad, el orden y la consistencia
• Paciencia para iterar, corregir y refinar
• Interés real por construir soluciones útiles y comprensibles

Busco aportar valor real como desarrollador Python en crecimiento hacia la IA aplicada, en entornos donde se valore la claridad, la estructura y el trabajo bien hecho. Mi trayectoria visible combina documentación útil, aprendizaje técnico organizado y construcción de proyectos propios como JJ_PYTHON_BOOK, la ruta de ML y DL y Mesias. Mi objetivo es que estas tres líneas mantengan un nivel homogéneo de claridad, estructura y utilidad, de modo que el perfil completo se entienda como un ciclo coherente: aprender, estructurar, experimentar y aplicar. Me interesan especialmente los proyectos donde el diseño técnico, la disciplina de ejecución y la explicabilidad del sistema importan de verdad.