John Wilmar Ortiz Villegas

Soy Ingeniero Electrónico con conocimientos en Análisis de Datos, Ciencia de Datos, Python, R y MySQL. cuento con habilidades tanto en Data Science como en Data Analysis. Mi enfoque abarca bases de datos, procesos ETL, análisis exploratorio de datos (EDA), imputación de datos faltantes, visualización de datos, machine learning y análisis estadístico.

Me considero una persona analítica, proactiva y enfocada en la resolución de problemas. Disfruto aportar ideas, fomentar un ambiente de colaboración y adaptarme con facilidad a diferentes entornos, buscando siempre soluciones claras y efectivas. Mi motivación está en aprender constantemente, asumir nuevos retos y contribuir al éxito de los proyectos en los que participo.

Busco una posición que me permita seguir creciendo profesionalmente, enfrentar nuevos desafíos y aplicar mis conocimientos para aportar valor tanto a la organización como a mi desarrollo personal.

Analista de datos:

• Apoyé el desarrollo de un modelo multidimensional (ambiental, social, técnico y financiero) para la producción distribuida de hidrógeno azul con captura de CO₂ y transformación en productos de alto valor.
• Realicé la búsqueda y análisis de fuentes de información relacionadas con la producción de hidrógeno.
• Preprocesé y aseguré la calidad de datos para su uso en modelos de análisis.
• Elaboré informes técnicos y análisis estadísticos para respaldar la toma de decisiones del equipo técnico.

Trabajo de grado:

"Imputación de Datos Faltantes usando Técnicas Estadísticas y de Machine Learning para los Sistemas de Infraestructura de Medición Avanzada (AMI)":
• Diseñé e implementé una aplicación de software para la imputación de datos faltantes en sistemas AMI, integrando técnicas estadísticas y de aprendizaje automático en un entorno de Python.
• Desarrollé módulos para la carga, limpieza y transformación de datos, análisis exploratorio, identificación de valores atípicos y evaluación de diferentes métodos de imputación.
• Implementé y comparé enfoques tradicionales (media y mediana) y avanzados (KNN, Prophet y Prophet con regresores), evaluando su desempeño con métricas como RMSE, MBE y R², junto con validación cruzada.
• Analicé escenarios de eliminación de datos (aleatorio y en series temporales) y apliqué pruebas estadísticas como ANOVA y Post-hoc de Tukey para evaluar diferencias significativas entre los métodos.

Ingeniero Electrónico

Tecnólogo en Mantenimiento Mecánico Industrial

Técnico en Mecanizado de Productos Metalmecanicos