Rubén Martínez Sánchez
/home/Ruben# Data Scientist
42 años
Permiso de conducir
Madrid España
Status profesional
Asalariado
Disponible
Sobre mi
Apasionado por aprender y por conocer los mecanismos que nos permiten adquirir ese aprendizaje.
Entre los temas que más me motiva investigar están la Neurociencia, Causalidad y cómo poder implementar algoritmos que simulen "Inteligencia".
Github:
https://github.com/eldarsilver
Página Web:
https://eldarsilver.github.io/ruben.martinez/
Correo electrónico:
rubensilver@gmail.com
Teléfono móvil:
675733779
Entre los temas que más me motiva investigar están la Neurociencia, Causalidad y cómo poder implementar algoritmos que simulen "Inteligencia".
Github:
https://github.com/eldarsilver
Página Web:
https://eldarsilver.github.io/ruben.martinez/
Correo electrónico:
rubensilver@gmail.com
Teléfono móvil:
675733779
Data Scientist
Datahack Labs
Desde 2016
- Liderando y desarrollando proyecto de investigación para combinar modelos de Deep Learning con robótica.
El objetivo de dicho proyecto ha sido dotar al robot humanoide Pepper de las capacidades necesarias para asistir a pacientes en el Centro de Referencia de Alzheimer de Salamanca.
Entre los frameworks de desarrollo empleados se encuentran:
- Tensorflow para la codificación de modelos de Deep Learning.
- Google Cloud Platform (GCP) tanto para entrenar los modelos en la nube de Google como para desplegarlos en modo inferencia. De esta forma el robot Pepper puede emplear múltiples modelos predictivos servidos remotamente desde GCP.
- Robot Operating System (ROS) para acceder a los diversos sensores del robot Pepper. Este framework de robótica permite crear una red en la que los nodos, entre otras múltiples posibilidades, pueden publicar información en 'topics' o 'buffers' compartidos y suscribirse a ellos para acceder a los datos.
- Diversas librerías de Python para procesamiento de imágenes y audio.
La arquitectura final del proyecto consiste en máquinas físicas con GPUs Nvidia GTX 1060, placas Nvidia Jetson Tx2 e instancias con GPUs en GCP para servir modelos. - Tensorflow para la codificación de modelos de Deep Learning.
- Realizando pruebas de concepto sobre técnicas de Causalidad aplicadas a modelos de IA.
- Implementando pruebas de concepto con Hadoop, Apache Spark.
Profesor del Curso Superior en Seguridad Informática y Hacking Ético On-line
Prosulting, Universidad Rey Juan Carlos y StackOverflow
Desde 2012
Madrid
España
- Profesor del módulo de Inyección de Código Malicioso.
Auditor de seguridad informática
StackOverflow
2008
a 2013
Consultor
Madrid
España
- Desarrollando proyectos para auditar la seguridad de los sistemas informáticos de empresas, ayuntamientos y ministerios.
- Implementando soluciones de seguridad trabajando como partner de la empresa de antivirus BitDefender.
- Dando formación sobre técnicas de hacking ético a empresas, Policía y Guardia Civil.
- Implementando soluciones de gestión de software distribuida y de seguridad endpoint como partner de la empresa Novell.
Profesor del PostGrado en Seguridad Informática y Hacking de Sistemas
Universidad Politécnica Mataró y Cetemmsa
2010
a 2011
Mataró
España
- Profesor de los módulos de Auditorías de Páginas Web, Técnicas de Inyección de Código y Análisis Forense Informático.
Actualmente realizando el Trabajo de Fin de Máster (TFM) de la titulación oficial de Máster en Inteligencia Artificial en la UNIR.
Dicho TFM trata sobre el perfilado de la distribución del comportamiento dinámico de imágenes alojadas en Docker Hub para la detección de anomalías como posibles ataques de malware no conocidos previamente. Para ello, se está investigando en la utilización de algoritmos del tipo Recurrent Variational AutoEncoders para aproximar un espacio latente que represente la distribución de interés.
Algunas de las asignaturas son: Neurociencia Cognitiva, Investigación en Inteligencia Artificial, Razonamiento y Planificación Automática, Aprendizaje Automático, Percepción Computacional, Procesamiento de Lenguaje Natural, Sistemas Cognitivos Artificiales, Prácticas en Empresa, etc.
Saber más
Dicho TFM trata sobre el perfilado de la distribución del comportamiento dinámico de imágenes alojadas en Docker Hub para la detección de anomalías como posibles ataques de malware no conocidos previamente. Para ello, se está investigando en la utilización de algoritmos del tipo Recurrent Variational AutoEncoders para aproximar un espacio latente que represente la distribución de interés.
Algunas de las asignaturas son: Neurociencia Cognitiva, Investigación en Inteligencia Artificial, Razonamiento y Planificación Automática, Aprendizaje Automático, Percepción Computacional, Procesamiento de Lenguaje Natural, Sistemas Cognitivos Artificiales, Prácticas en Empresa, etc.
Curso intensivo totalmente práctico de 3 semanas de duración ofrecido por académicos de multitud de Universidades y empresas a nivel global (Google, Facebook, Max Planck institute, CIFAR, etc.).
El enlace en el que se puede comprobar el temario cubierto es https://deeplearning.neuromatch.io/tutorials/intro.html
La dinámica diaria del curso consiste en la resolución práctica de modelos relativos a los temas de diversos campos del Deep Learning durante 5 horas. Tras ello, se dedican 3 horas para el desarrollo de un proyecto personal. En mi caso tuve contrastar hipótesis sobre la capa V1 del córtex visual de roedores.
Saber más
El enlace en el que se puede comprobar el temario cubierto es https://deeplearning.neuromatch.io/tutorials/intro.html
La dinámica diaria del curso consiste en la resolución práctica de modelos relativos a los temas de diversos campos del Deep Learning durante 5 horas. Tras ello, se dedican 3 horas para el desarrollo de un proyecto personal. En mi caso tuve contrastar hipótesis sobre la capa V1 del córtex visual de roedores.
Posgrado en Artificial Intelligence with Deep Learning
Universidad Politécnica de Cataluña
2020
a 2021
Posgrado ofrecido por la Universidad Politécnica de Cataluña en la que se cubren temas como fundamentos matemáticos de Deep Leanring, NLP, Computer Vision, Reinforcement Learning, Speech and Audio Processing. El temario completo se puede consultar en la web de la formación: https://www.talent.upc.edu/esp/estudis/formacio/curs/305502/posgrado-artificial-intelligence-deep-learning/
Se ha desarrollado Proyecto de Fin de Posgrado sobre entrenamiento de algoritmos de Reinforcement Learning con Pytorch en entornos simulados (OpenAI Gym + Gazebo + ROS) y su posterior despliegue en robot físico Turtlebot en entorno real.
Saber más
Se ha desarrollado Proyecto de Fin de Posgrado sobre entrenamiento de algoritmos de Reinforcement Learning con Pytorch en entornos simulados (OpenAI Gym + Gazebo + ROS) y su posterior despliegue en robot físico Turtlebot en entorno real.
Formación sobre Computación Cuántica ofrecida por profesores del MIT e IBM empleando el framework Qiskit.
Saber más
Carrera de Ingeniería Técnica Informática impartida por la Universidad Politécnica de Madrid (Campus Sur) especializándome en el área de Sistemas y desarrollando como Proyecto de Fin de Carrera, a petición propia, una herramienta en Python para hackear información de bases de datos Microsoft SQL Server y realizando estudio de cómo extenderla a MySQL.
Saber más
Máster presencial (lunes a sábado) de forma on-line dirigido por el Dr. Michal Fabinger, profesor de la Universidad de Tokio.
En esta formación se cubren en profundidad las justificaciones matemáticas en las que se basan los algoritmos de Machine Learning, Deep Learning, Causalidad.
El haber podido realizar esta formación asistido por Michal Fabinger me permitió ahondar en aspectos de investigación muy motivadores.
El temario completo se puede comprobar en la siguiente url:
https://tokyodatascience.com/deeplearning
A modo de resumen algunas de las áreas que se cubren son técnicas de optimzación, NLP (Embeddings, Transformers, BERT, etc), Visión Artificial (detección, localización, segmentación), Autoencoders, Variational Autoencoders, Aprendizaje por Refuerzo, GANs, técnicas de Inferencia Causal, etc.
Saber más
En esta formación se cubren en profundidad las justificaciones matemáticas en las que se basan los algoritmos de Machine Learning, Deep Learning, Causalidad.
El haber podido realizar esta formación asistido por Michal Fabinger me permitió ahondar en aspectos de investigación muy motivadores.
El temario completo se puede comprobar en la siguiente url:
https://tokyodatascience.com/deeplearning
A modo de resumen algunas de las áreas que se cubren son técnicas de optimzación, NLP (Embeddings, Transformers, BERT, etc), Visión Artificial (detección, localización, segmentación), Autoencoders, Variational Autoencoders, Aprendizaje por Refuerzo, GANs, técnicas de Inferencia Causal, etc.
El objetivo de este curso es el de profundizar en el framework ROS (Robot Operating System) que se empleará para el desarrollo y despliegue de aplicaciones que harán uso de los sensores distribuidos de plataformas robóticas.
Se puede encontrar información detallada del curso en el siguiente enlace:
https://www.urjc.es/estudios/1701-curso-superior-universitario-de-introduccion-a-la-programacion-de-robots-con-ros
Se puede encontrar información detallada del curso en el siguiente enlace:
https://www.urjc.es/estudios/1701-curso-superior-universitario-de-introduccion-a-la-programacion-de-robots-con-ros
Este máster totalmente práctico está enfocado para poder trabajar en perfiles tanto de Arquitecto como de Científico de Datos. Las temáticas cubiertas son:
Saber más
- Estadística.
- SAS.
- R.
- Python.
- Machine Learning con R y Python.
- NoSQL.
- Ecosistema Hadoop.
- Apache Spark.
- Deep Learning.
- Visualización.
Este curso tiene como finalidad aplicar técnicas de Deep Learning (como segmentación de imágenes, métricas de evaluación, tratamiento de datasets desbalanceados, intervalos de confianza, etc.) para desarrollar modelos que sean capaces de diagnosticar enfermedades a partir de pruebas médicas como resonancias magnéticas.
Link del certificado:
https://coursera.org/share/97ed885e9627ae5d451a6e375ae58430
Link del certificado:
https://coursera.org/share/97ed885e9627ae5d451a6e375ae58430
Este curso trata sobre cómo desarrollar modelos de series temporales empleando Redes Neuronales Recurrentes, LSTM y Convolucionales con Tensorflow.
Link del certificado:
https://coursera.org/share/09c6077542520a3d0a3d7b085ac46272
Link del certificado:
https://coursera.org/share/09c6077542520a3d0a3d7b085ac46272
Este curso desarrolla las técnicas necesarias para construir pipelines de datos eficientes empleando la Dataset API de Tensorflow para poder entrenar modelos predicitivos.
Link del certificado:
https://coursera.org/share/e45f1480dcca56ac6ccfc5ca274914a4
Link del certificado:
https://coursera.org/share/e45f1480dcca56ac6ccfc5ca274914a4
En este curso se trata cómo aprovechar fenómenos presentes en física cuántica para llevar a cabo tareas de optimización potenciando algoritmos de Machine Learning. Para construir los circuitos cuánticos e implementar de forma práctica los algoritmos se emplea la librería de IBM Qiskit.
Link del certificado:
https://courses.edx.org/certificates/3c5c6c1ccfcf46b0bde59e391977e8d4
Saber más
Link del certificado:
https://courses.edx.org/certificates/3c5c6c1ccfcf46b0bde59e391977e8d4
En este curso se cubre cómo abordar problemas de procesamiento de Lenguaje Natural mediante Redes Neuronales Recurrentes así como sus especializaciones GRU y LSTM. Todo ello se codifica con Tensorflow 2.
Link del certificado:
https://coursera.org/share/25608ec755ac1f0f5b344388c8aaaaab
Saber más
Link del certificado:
https://coursera.org/share/25608ec755ac1f0f5b344388c8aaaaab
Este curso está orientado a trabajar con Redes Neuronales Convolucionales y solucionar aspectos relacionados como aumentado de dataset, regularización, transfer learning, visualización del error y todo ello empleando Tensorflow 2.
Link del certificado:
https://coursera.org/share/b9972b5276b071e6d018ef0cd904d052
Saber más
Link del certificado:
https://coursera.org/share/b9972b5276b071e6d018ef0cd904d052
Introduction to TensorFlow for Artificial Intelligence, Machine Learning, and Deep Learning
Coursera / deeplearning.ai
2019
En este curso se tratan buenas prácticas a la hora de abordar problemas con Deep Learning así como su implementación con Tensorflow 2.
Link del certificado:
https://coursera.org/share/52d7fac7e63f73f1adf3fafbf5413c3e
Saber más
Link del certificado:
https://coursera.org/share/52d7fac7e63f73f1adf3fafbf5413c3e
En este curso se trata la justificación matemática detrás de las Redes Neuronales Convolucionales y su aplicación a tareas de reconocimiento visual con datos de 2D y 3D.
Link del certificado:
https://coursera.org/share/bc973b81ea016d242ca4dcc1764100a4
Saber más
Link del certificado:
https://coursera.org/share/bc973b81ea016d242ca4dcc1764100a4
Improving Deep Neural Networks: Hyperparameter tuning, Regularization and Optimization
Coursera / deeplearning.ai
2018
En esta formación se cubren temas como la inicialización de Redes Neuronales, técnicas de regularización (como L1, L2, Dropout), Batch Normalization, gradient checking. También se recorren algoritmos de optimización como mini-batch Gradient Descent, Momentum, RMSprop y Adam así como buenas prácticas en detección de varianza / bias y creación de dataset de entrenamiento, validación y test.
Link del certificado:
https://coursera.org/share/d2e564a57a3a4df9ff9bbb00af661546
Saber más
Link del certificado:
https://coursera.org/share/d2e564a57a3a4df9ff9bbb00af661546
En este curso ofrecido por Google Cloud se cubren temas como la optimización y evaluación de modelos, la mitagación de problemas asociados a los algoritmos de Machine Learning y la creación y escalado de datasets de entrenamiento, validación y test.
Link del certificado:
https://coursera.org/share/5866b4ad0c95266ebffdac1e04b40163
Saber más
Link del certificado:
https://coursera.org/share/5866b4ad0c95266ebffdac1e04b40163
Se recorre de forma práctica cómo abordar problemas de Machine Learning empleando Tensorflow en Google Cloud Platform.
Link del certificado:
https://coursera.org/share/664404bfd837baeaf2aab0659fb2dd88
Saber más
Link del certificado:
https://coursera.org/share/664404bfd837baeaf2aab0659fb2dd88
Microsoft: DAT202.3x Implementing Predictive Analytics with Spark in Azure HDInsight (Verified)
EdX / Microsoft
2016
Se recorre cómo desarrollar Pipelines de Aprendizaje Supervisado, No Supervisado y de Tiempo Real de Machine Learning empleando Apache Spark sobre Azure HDInsight.
Curso desarrollado en modo Verified.
Saber más
Curso desarrollado en modo Verified.
Curso impartido por la Universidad de Salamanca en el que se realiza un recorrido por las redes neuronales, perceptrón multicapa, redes neuronales convolucionales, y recurrentes implementándolas de forma práctica usando la librería de Google Tensorflow.
Saber más
Curso en el que se estudian los diversas versiones protocolos de Bluetooth, Bluetooth LE (muy utilizando por dispositivos de Internet of Things) y Wifi. Todo ello para, a continuación, llevar a cabo vectores de ataque sobre dispositivos que los usen y comprender cómo un atacante podría robar información.
Saber más
Curso oficial de Cloudera e impartido por Core Netowrks sobre el core de Apache Spark y sus componentes Spark Streaming, GraphX, Spark SQL y MLlib.
Saber más
Curso oficial de Cloudera impartido por Core Networks en el que se hace un recorrido por el ecosistema de Apache Hadoop y MapReduce desde el punto de vista del desarrollador.
Saber más
Curso impartido por Martin Odersky en el que se establecen las bases de la programación funcional usando el lenguaje Scala haciendo un recorrido práctico por sus características.
Curso desarrollado en modo "Verified Certificate".
Saber más
Curso desarrollado en modo "Verified Certificate".
Curso impartido por la Universidad Politécnica de Madrid (Campus Sur) sobre técnicas de Ingeniería del Software focalizándose en UML y estudiando el lenguaje Java para implementar dichas técnicas.
Machine Learning Foundations: A Case Study Approach
Coursera / Universidad de Washington
2015
a 2016
Curso de Machine Learning cubriendo conceptos sobre Regresión, Clasificación, Clustering, Sistermas de Recomendación, Dimensionality Reduction y Deep Learning usando Python y GraphLab.
Link del certificado:
https://coursera.org/share/e8eda54d96bfce224bb72d89952c46f2
Saber más
Link del certificado:
https://coursera.org/share/e8eda54d96bfce224bb72d89952c46f2
Desarrollo de algoritmos de Machine Learning con Micrososft Azure.
Curso desarrollado en modo Verified.
Saber más
Curso desarrollado en modo Verified.
Funcionamiento del entorno de Spark aplicándolo a tareas de Log Mining, Textual Entity Recognition, y Collaborative Filtering.
Curso desarrollado en modo Verified.
Saber más
Curso desarrollado en modo Verified.
Curso sobre técnicas de análisis forense estático y dinámico a dispositivos Android, así como de utilización de Ingeniería Inversa para el estudio de Rootkits.
Saber más
Competencias
Idiomas
- Español (nativo).
- Inglés (nivel alto de lectura, nivel medio de conversación y escritura). Inglés Técnico I y II superados en Ingeniería Técnica Informática.
- Ponencia titulada "Next step of AI: How to add Causal Reasoning using only Observational Data" en el congreso "Big Things 2020".
Una descripción detallada de esta charla puede encontrarse en el el enlace del evento:
https://www.bigthingsconference.com/2020/schedule/next-step-of-ai-how-to-add-causal-reasoning-using-only-observational-data/ - Ponencia titulada "Bayesian Voice Emotion Detection Applied to Robotics" en el congreso "Big Things 2019".
Una descripción detallada de esta charla puede encontrarse en el el enlace del evento:
https://www.bigthingsconference.com/2019/schedule/bayesian-voice-emotion-detection-applied-to-robotics-adding-uncertainty/
El vídeo de la charla se puede reproducir en el siguiente enlace:
https://youtu.be/hMGppH6mmFI - Ponencia titulada "Teaching a robot Guess Who? From Deep Learning to Brain Spikes" en el congreso "Big Data Spain 2018".
Una descripción detallada de esta charla puede encontrarse en el el enlace del evento:
https://www.bigdataspain.org/2018/talk/teaching-a-robot-guess-who-using-adversarial-triplet-loss/
El vídeo de la charla se puede reproducir en el siguiente enlace:
https://youtu.be/63U2iCh-KD0 - Ponencia titulada "Attacking Machine Learning used in AntiVirus with Reinforcement Learning" en el congreso "Big Data Spain 2018".
Una descripción detallada de esta charla puede encontrarse en el el enlace del evento:
https://www.bigdataspain.org/2017/talk/attacking-machine-learning-used-in-antivirus-with-reinforcement/
El vídeo de la charla se puede reproducir en el siguiente enlace:
https://youtu.be/8Klu5GklSXY - Ponencia titulada "Deep Learning aplicado a Robótica: Construye tu propio Bender" en evento organizado en "Google Campus Madrid".
En esta ponencia se muestra cómo combinar modelos de Deep Learning codificados con Tensorflow con Robot Operating System (ROS) empleando la plataforma robótica Kobuki.
El vídeo de la charla se puede reproducir en el siguiente enlace:
https://youtu.be/2aF5836qal0 - Ponencia titulada "Fraud detection using machine learning & deep learning" en el congreso Cybercamp 2016 organizado por INCIBE (Instituto Nacional de Ciberseguridad).
En esta charla se muestra cómo emplear modelos de Deep Learning para detectar transacacciones bancarias fraudulentas.
El vídeo de la charla se puede reproducir en el siguiente enlace:
https://youtu.be/wIqOnMzyQ8k - Ponencia en el evento Cybercamp de 2015 organizado por el Instituto Nacional de Ciberseguridad (INCIBE)sobre la aplicación de Regresión Logística, SVM y Árboles de Decisión sobre Apache Spark para predecir crímenes.
El vídeo de esta ponencia puede encontrarse en el canal de Youtube de INCIBE en este enlace:
https://youtu.be/tg2fPFRuH_0
- Hacking y Seguridad en Internet Ed. 2011 Ra-Ma.
- Link para adquirir el libro:
https://www.amazon.es/Hacking-Seguridad-Internet-Edici%C3%B3n-2011/dp/8499640591 - Hacking y Seguridad de Páginas Web. MundoHacker Editorial Ra-Ma
- Link para adquirir el libro:
https://www.ra-ma.es/libro/hacking-y-seguridad-de-paginas-web_48371/
- Miembro co-fundador de proyecto sobre investigación en hacking e (in)seguridad informática.
- Comenzó con programas orientados a esta temática en radio on-line para a continuación emitir los capítulos en colaboración con el canal en internet sobre tecnología GlobbTV.
- El programa fue adquirido por el canal de TV DiscoveryMAX con el que se han emitido 2 temporadas.
- Posteriormente La 2 de TVE emitió la tercera temporada.
- Proyecto para investigar sobre algoritmos de Deep Learning y aplicarlos a un robot con plataforma móvil Kobuki sobre la que se armará un procesador Nvidia Jetson TX2, una cámara Asus Xtion Pro 3D, altavoz y micrófono. Utilizando la información proporcionada por esos dispositivos se ejecutarán distintos experimentos empleando algoritmos de Deep Learning.
