Desarrollador autodidacta especializado en Python y en la construcción de sistemas técnicos claros, reproducibles y mantenibles.
Mi enfoque profesional se basa en entender el problema, estructurar la solución y construir código que pueda leerse, extenderse y verificarse.

Mi trabajo visible se apoya en tres proyectos que muestran capacidades reales y comprobables:

• JJ_PYTHON_BOOK — base sólida de programación y claridad expositiva.
• JJ_ML_DL_BOOK — progresión técnica real en matemáticas, ciencia de datos, ML, DL y NLP.
• jj_mesias_system — sistema de IA local end‑to‑end con arquitectura modular, API, interfaz, memoria y entrenamiento LoRA.

Cada proyecto está documentado en su propio README, donde se refleja cómo trabajo y cómo estructuro las soluciones.

• 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,
JJ_ML_DL_BOOK organiza la progresión técnica,
y jj_mesias_system reúne esa base en una aplicación práctica de IA local.

En conjunto, muestran con claridad mi forma de aprender, organizar y construir.

Libro interactivo para aprender Python desde cero directamente en Visual Studio Code.
Organizado 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.

Libro técnico progresivo en matemáticas, ciencia de datos, machine learning, deep learning, NLP y transformers mediante notebooks organizados por cuatro fases.

La progresión es real y demostrable:
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.

Sistema local de IA aplicada desarrollado en Python, orientado a inferencia local, memoria conversacional, contexto web seguro por HTTPS y entrenamiento LoRA prudente.
Su asistente principal es Mesias, integrado dentro de una arquitectura modular clara y mantenible.

Incluye:

• Arquitectura modular en Python
• Transformers, PyTorch y artefactos de Hugging Face
• FastAPI, Uvicorn y Pydantic
• Interfaz con Gradio
• Persistencia en JSON
• Pipeline de entrenamiento LoRA documentado
• Tests automáticos y entorno validado

• 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
• Integración de modelos en aplicaciones reales
• Diseño de flujos de trabajo asistidos y eficientes en entornos modernos de desarrollo
• Construcción de sistemas de IA reproducibles, trazables y controlados
• Trabajo práctico en entornos locales y Visual Studio Code
• Prioridad por control local, claridad y legibilidad

• Python 3
• Visual Studio Code
• Jupyter Notebook
• Git y GitHub
• Copilot
• Markdown
• Draw.io
• 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, 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

• Python aplicado a proyectos reales y materiales formativos propios
• Diseño de arquitecturas modulares y mantenibles
• Organización de código, carpetas y documentación con criterio técnico
• Capacidad para explicar conceptos de forma clara y progresiva
• Desarrollo de proyectos largos por fases con entregables reales
• Integración de modelos en sistemas Python y APIs
• Construcción de pipelines completos de ML, DL y NLP
• Control local de modelos y entornos reproducibles
• Capacidad para unir aprendizaje técnico y construcción práctica

Soy desarrollador Python orientado a IA aplicada, con experiencia demostrable en diseño de arquitecturas modulares, integración de modelos en sistemas reales y construcción de proyectos completos desde cero.

Mis repositorios muestran con claridad lo que sé hacer:

• Diseño de sistemas Python mantenibles (JJ_PYTHON_BOOK, jj_mesias_system)
• Pipelines completos de ML/DL/NLP (JJ_ML_DL_BOOK)
• Integración de modelos en APIs y aplicaciones reales (jj_mesias_system)
• Documentación técnica clara y reproducible (todos mis READMEs)
• Entrenamiento y ajuste de modelos con LoRA (jj_mesias_system)
• Desarrollo por fases con entregables reales (JJ_PYTHON_BOOK, JJ_ML_DL_BOOK)

Busco aportar valor en entornos donde se necesite:

• claridad técnica
• estructura
• diseño de sistemas
• reproducibilidad
• explicabilidad
• trabajo bien hecho

Mis proyectos incluyen documentación clara y código estructurado que permiten ver directamente mi enfoque y mi criterio técnico.