Soy un Ingeniero Matemático especializado en Computación Científica y Modelado de Ecuador, actualmente trabajando como Analista Cuantitativo en el Centro de Evaluacion e Innovacion Educativa (CEIE), Universidad UTE. Mi enfoque se centra en el uso del modelado matemático, aprendizaje automático y análisis de datos para resolver problemas complejos.
Sistema de predicción de pérdidas actuariales utilizando XGBoost y análisis estadístico avanzado.
- Implementación de modelo XGBoost con optimización de hiperparámetros
- Procesamiento avanzado de texto para descripción de reclamaciones
- Análisis exhaustivo por segmentos de valor
- Pipeline completo de preprocesamiento y modelado
- RMSE de 23,669 en conjunto de prueba
Implementación de Redes Neuronales Basadas en Física (PINNs) para resolver ecuaciones diferenciales parciales directas e inversas.
- Solución del sistema de péndulo doble con descomposición de dominio y conservación de energía (MSE < 1e-3)
- Implementación de métodos NLLSQ y VarPro para problemas inversos de PDEs con análisis comparativo
- Sistema de manejo de memoria GPU para optimización de rendimiento
- Arquitectura de red con bloques residuales y activaciones adaptativas
- Visualización avanzada de soluciones y análisis de error mediante contornos y distribuciones
Plataforma integral para evaluación de riesgos de mercado utilizando técnicas de aprendizaje automático y redes neuronales LSTM.
- Desempeño del Modelo:
- Crash 300: Loss de entrenamiento 0.1250 → 0.0833 (validación final)
- Crash 500: Loss de entrenamiento 0.0473 → 0.0388 (validación final)
- Media de validation loss: 0.3201 ± 0.2505 (Crash 300) y 0.1763 ± 0.2162 (Crash 500)
- Métricas de Trading:
- Crash 300: Retorno total -14.70%, Ratio de Sharpe -1.4005, Drawdown máximo -14.76%
- Crash 500: Retorno total -17.63%, Ratio de Sharpe -2.0967, Drawdown máximo -17.68%
- Eficiencia del Pipeline:
- Preprocesamiento robusto: reducción de ruido (11,623 → 10,607 muestras en Crash 300)
- Convergencia en 10 épocas con early stopping
- Tasa de éxito en operaciones: 43.78% (Crash 300) y 42.62% (Crash 500)
Sistema automatizado para análisis de datos educativos y predicción del rendimiento estudiantil.
- Sistema de análisis psicométrico automatizado
- Implementación de IRT con redes neuronales
- Dashboard de visualización interactivo
- Seguimiento de métricas de rendimiento
Sistema para detección de anomalías geográficas mediante análisis espacial avanzado.
- Implementación de análisis espacial con H3
- Modelado probabilístico con Pyro
- Backend API REST con Django
- Visualizaciones de mapas interactivos
Implementación de soluciones numéricas para problemas de investigación matemática.
- Solucionador numérico de ecuaciones biharmónicas
- Herramientas de visualización de soluciones
- Documentación técnica detallada
- Implementaciones de papers de investigación
Enfoque de aprendizaje automático para la detección temprana de deserción estudiantil usando LightGBM.
- Implementación de LightGBM acelerada por GPU
- Ingeniería de características exhaustiva
- Análisis de factores socioeconómicos
- 88% de precisión global en predicción de deserción
- Lenguajes: Python, R, MATLAB
- Frameworks ML/DL: PyTorch, TensorFlow, scikit-learn
- Análisis de Datos: Pandas, NumPy, SciPy
- Visualización: Matplotlib, Seaborn, Plotly
- Bases de Datos: PostgreSQL, Neo4j
- Otros: Git, LaTeX, Django
.
├── neural-pdes-solver/
├── market-risk-analysis/
├── educational-assessment/
├── geospatial-analysis/
├── math-research-tools/
├── academic-performance-prediction/
└── README.md
- A biharmonic equation with discontinuous nonlinearities. Eduardo Arias, Marco Calahorrano, Alfonso Castro. Electron. J. Differential Equations, 2024
- LinkedIn: Perfil
- Correo: mat.eduardo.arias@outlook.com
Este proyecto está bajo la Licencia MIT - ver el archivo LICENSE para más detalles.