Estudiante de IA en la Universidad de Edimburgo
con raíces en Física de la Universidad Autónoma de Madrid.
Tengo 22 años y me apasiona el mundo de la Inteligencia Artificial. Estudié Física en la UAM para entender el mundo desde primeros principios, y cuando lo conseguí me di cuenta del potencial que la inteligencia artificial tiene para la humanidad.
En Edimburgo he construido proyectos que van desde detectar patologías en la voz humana hasta optimizar kernels de GPU a nivel de ensamblador. Todos los proyectos que veréis más abajo me han apasionado, pero el que más es el que está por venir, mi trabajo de fin de máster, en el que aplicaré técnicas de inferencia causal (PCMCI+) para relacionar de forma robusta contaminantes atmosféricos y alteraciones en la respiración de pacientes asmáticos.
Busco un equipo donde la curiosidad científica y la ingeniería de sistemas coexistan. Disponible desde septiembre de 2026, Madrid o remoto.
Machine learning, deep learning, NLP, visión artificial y sistemas inteligentes. Proyectos en IA aplicada a salud, optimización GPU y modelización temporal.
Matemáticas, física computacional y modelización. TFG principal en neurociencia computacional: redes neuronales biológicamente plausibles entrenadas con reinforcement learning. TFG secundario en análisis de datos neurofisiológicos de primates.
ML, deep learning, NLP, visión artificial, sistemas de recomendación y AI generativa.
Detección de disfonía a nivel de hablante usando embeddings de HuBERT. Comparativa entre estrategias de agregación jerárquica y pooling simple sobre 1.123 hablantes de la Saarbrücken Voice Database.
Kernels personalizados en Triton/CUDA para RMSNorm, LayerNorm, GELU, SiLU, atención, RoPE y FlashAttention sobre el modelo speech-to-text GLM-ASR. Cero degradación de calidad.
Predicción del ranking diario de canciones en 467K entradas. LSTM con ventana de 90 días superó a XGBoost, MLP y regresión lineal. Clustering k-means reveló patrones estacionales en los gustos globales.
Red recurrente (tasa de disparo → Leaky Integrate-and-Fire) entrenada con reinforcement learning en una tarea de elección binaria inspirada en experimentos con primates. Transferencia de aprendizaje con comportamiento biológicamente realista.
Análisis de 11.113 ensayos de actividad cerebral en primates (Romo et al., 1997). Identificación de 79 neuronas con tuning significativo de 560 y cuantificación del sesgo de contracción en memoria a corto plazo.
Documentación técnica completa, datasets y supervisores disponibles en Notion →
Ver portfolio NotionBusco incorporarme en septiembre de 2026 a un equipo donde los datos y los modelos resuelvan problemas reales.
Si este portfolio y mi perfil profesional te interesa, no dudes en escribirme.