Hugo Suárez González

Sobre mí

¡Bienvenide a mi portfolio!

Soy bioinformático, científico de datos y artista emergente en Galicia, con experiencia en:

Inteligencia Artificial aplicada a riesgos naturales, en especial la predicción de zonas de riesgo en inundaciones.
Machine Learning para clasificación y modelos predictivos.
Divulgación científica y formación en IA.
Música y proyectos artísticos: producción musical, multiinstrumentista, cantautor.

Proyectos

En Peu – IA para Predicción de Inundaciones

Modelo predictivo de lámina de agua en Paiporta con IA, como alternativa a los modelos hidráulicos tradicionales.

Clasificación de Subtipos de Tumores Renales con Machine Learning

Trabajo de fin de máster: clasificación de subtipos de tumores renales con modelos de ML.

Artículos

Un modelo de IA anticipa la magnitud de las inundaciones en Paiporta (Fundación Matrix)

Análisis genómico y transcriptómico de lectinas tipo C (Marine Drugs)

Música

Canal de YouTube

Guitarra acústica y voz. Canciones propias y versiones.

Contacto

GitHub: @hugosuarezglez

LinkedIn: Hugo Suárez González

Email: albsgonz@hotmail.com

Este portfolio reúne mis proyectos de IA, mi experiencia en ciencia de datos y mi trabajo artístico.

Categorías

Proyectos

Artículos

Música

Contacto

Proyectos

En Peu – IA para Predicción de Inundaciones

Proyecto de IA para predecir la cota de inundación (PLA) en entornos urbanos y periurbanos. Utiliza modelos de machine learning como Random Forest y XGBoost con variables geoespaciales.

Repositorio GitHub

SVM_RCC – Clasificación de Tumores Renales

Proyecto de Trabajo de Fin de Máster: Clasificación de subtipos de tumor de riñón usando Machine Learning. Aplicación de SVM y otros algoritmos a datos genómicos médicos.

Repositorio GitHub

En Peu – IA para Predicción de Inundaciones

Portfolio personal del proyecto de IA para predicción de cota de inundación (PLA) en entornos urbanos y periurbanos. Documenta desde mis inicios en la Fundación MAtriX hasta la beca ANFAIA.

Ver resultados Recursos & docs @hugosuarezglez

Mejor modelo

Random Forest
Librerías

scikit‑learn, XGBoost, SciPy
EDA

Boxplots, histos, outliers
Explicabilidad

PDPs · Importancias

Acerca del proyecto

En Peu es una iniciativa de ciencia de datos aplicada a la gestión del riesgo de inundaciones. El objetivo es predecir la cota de lámina de agua (PLA) a partir de variables geoespaciales y urbanas, generar mapas interpretables y ofrecer una herramienta reproducible para ayuntamientos y ciudadanía.

Este portfolio recoge la documentación del repositorio, cuadernos, scripts, artículos divulgativos y notas técnicas desde mis inicios en la Fundación MAtriX hasta la beca ANFAIA, pasando por la investigación de modelos clásicos (RF/GBM/SVM) y propuestas más avanzadas como embeddings de AlphaEarth y un orquestador de tipo HRM‑style.

Datos & variables

Variables presentes en los CSV y su significado.

A Altitud. Numérica: elevación s.n.m.

AC Anchura de calles. Categórica → numérica por valor medio del rango.

B Barranco. Binaria: 0 = cauce, 1 = no cauce.

CICCB Curvatura del cauce · capacidad de acumulación. Numérica.

CIB Capacidad de inundación del barranco por sección/situación. Numérica.

CUS Uso del suelo. Categórica: 1 Cultivos · 2 Edificios · 3 Suelo desnudo · 4 Zonas verdes · 5 Vial.

DBB Distancia al borde del cauce (m). Numérica.

DOB Distancia a obstáculos en el cauce (m). Numérica.

OC Orientación calles. Categórica: 1 Oblicua · 2 Paralela · 3 Perpendicular · 4 Otras.

P Pendiente (%). Numérica.

Metodología y flujo de trabajo

Ingesta y limpieza: combinación de CSV, control de faltantes, depuración de outliers.
EDA: histogramas y boxplots; matriz de correlación para numéricas; Cramér's V (cat↔cat) y Kruskal‑Wallis (cat↔num) sin asumir normalidad.
Transformaciones: MinMaxScaler para numéricas y OneHotEncoder para categóricas.
Partición: train/test con scikit‑learn.
Modelado: Random Forest, Gradient Boosting, SVM y pruebas con XGBoost. Búsqueda de hiperparámetros.
Evaluación: R² RMSE MAE. Gráficos comparativos y dispersión observado vs predicho.
Mapas: PLA observada vs predicha y mapa de error absoluto. Imputación de altitud en cauces con KDTree (SciPy).
Explicabilidad: Partial Dependence Plots (PDPs) para variables numéricas clave; importancias de variables.
Dimensión espacial (en exploración): validación cruzada espacial, coordenadas XY, promedios de vecinos, flujos.