Xoel García Maestu
ES|EN

A Coruña, España

Ciencia e Ingeniería de Datos

Machine Learning, Deep Learning e Inteligencia Artificial Generativa.

Científico e Ingeniero de Datos graduado en la Universidade da Coruña. Trabajo con el ciclo completo de los datos: captura, preparación, modelado, despliegue y visualización.

Ver proyectos Currículum
Retrato de Xoel García Maestu

Sobre mí

Combino ingeniería de datos, análisis estadístico e inteligencia artificial para convertir datos en decisiones útiles. Del pipeline que sostiene un sistema al modelo que lo hace escalar, me interesa el problema completo y su impacto real.

INDITEX / Científico e Ingeniero de Datos e IA

May 2026 - actualidad / Arteixo, A Coruña · Presencial

Ciencia e ingeniería de datos e inteligencia artificial en el equipo tecnológico de INDITEX.

NTT Data / Data Analytics & BI Intern

Sep 2025 - Nov 2025 / A Coruña

Consultoría tecnológica para banca: pipelines ETL en Python (limpieza, integración y validación), datos sintéticos e históricos, dashboards en Looker Studio y migración de lógica de Google Apps Script a Python.

Ingeniería de Datos

  • Apache Spark
  • Spark MLlib
  • ETL
  • Snowflake
  • PostGIS
  • Denodo
  • Docker
  • AWS
  • Azure

Ciencia y Análisis

  • Polars
  • PySpark
  • ARIMA
  • Power BI
  • Looker Studio
  • Tableau
  • OLAP / MDX

IA, Deep Learning y Agentes

  • PyTorch
  • TensorFlow
  • XGBoost
  • U-Net
  • Mask R-CNN
  • VAE
  • HuggingFace
  • MLflow
  • Vertex AI
  • Google A2A
  • Agentes multiagente
  • NLP

Proyectos

Panel de control clínico: actividad del programa, órganos y receptores, y distribución del riesgo predicho a 5 años Plataforma clínica: asignación asistida donante-receptor, con ranking de supervivencia esperada por varios modelos Explicación individual de una predicción: contribuciones SHAP/LIME y camino de decisión del árbol Registro estructurado de un nuevo órgano donante, con validación de campos y casos de ejemplo

07 / 2026

TFG: Predicción de supervivencia post-trasplante hepático

Trabajo de Fin de Grado, calificado con Matrícula de Honor (10/10). Predice la supervivencia a cinco años tras el trasplante combinando datos del donante y del paciente, sobre datos reales del CHUAC (258 casos). La pipeline es completa y reproducible: imputa los valores ausentes (MissForest), selecciona características y optimiza los hiperparámetros de forma bayesiana. Entrena y compara seis modelos (árbol de decisión, random forest, XGBoost y perceptrón multicapa) y adopta el árbol de decisión como referencia por su transparencia, validado por un facultativo (AUC-ROC 0,757). Sobre esa base, una plataforma web clínica dockerizada (React, Django REST y PostgreSQL) cubre todo el ciclo de vida del trasplante: registro de donantes, receptores y trasplantes, asignación asistida donante-receptor y explicación de cada predicción (SHAP, LIME, PDP, caminos de decisión y Forest-Guided Clustering). También integra búsqueda en lenguaje natural con un LLM local (Qwen2.5 · Ollama). Grupo de investigación IRLab (UDC). Los datos mostrados en las capturas son mockeados para la demostración. Las vistas más sensibles de la aplicación clínica no se muestran.

  • Scikit-learn
  • XGBoost
  • SHAP / LIME
  • MissForest
  • React
  • Django REST
  • PostgreSQL
  • Ollama
  • Docker
LocalFold: página de inicio LocalFold: visor 3D y asistente LocalFold: análisis con IA LocalFold: comparación de estructuras LocalFold: demostración Impacthon 2026: ceremonia de premios (podium) en la ETSE/USC Impacthon 2026: acreditación de participante (GDG Santiago de Compostela · ETSE/USC)

04 / 2026

LocalFold

Acerca la predicción de estructura de proteínas a investigadores sin conocimientos de HPC: introducen una secuencia o una descripción en lenguaje natural y la plataforma lanza AlphaFold2 en el supercomputador FT3 del CESGA sin tocar SLURM, con visor 3D Mol*, métricas biológicas y análisis diferencial. React 19 y FastAPI sobre Cloud Run y Firestore, análisis con Gemini/Vertex AI y un sistema multiagente A2A (orquestador y cuatro agentes con Google Search Grounding). Reto de la cátedra CAMELIA (PLEXUS y USC); premio en el Impacthon 2026.

  • AlphaFold2
  • React
  • FastAPI
  • Vertex AI
GitHub
MXNJ Outfit Intelligence: productos emparejados MXNJ Outfit Intelligence: catálogo de outfits MXNJ Outfit Intelligence: página de inicio MXNJ Outfit Intelligence: demostración HackUDC 2026: equipo premiado en el escenario HackUDC 2026: desarrollando el proyecto durante la hackathon HackUDC 2026: con el equipo durante el evento HackUDC 2026: trofeos del equipo, incluido el premio Best Use of FOSS AI

03 / 2026

MXNJ Outfit Intelligence

Buscador visual de moda: a partir de una foto, identifica cada prenda y encuentra el producto equivalente en un catálogo de 27.000 referencias de Zara. Segmentación anatómica con YOLOv8x-seg y un ensemble de SigLIP SO400M y DINOv2 ViT-L/14 que convierte cada prenda en embeddings visuales; el catálogo se preindexa y la recuperación es una búsqueda vectorial por similitud coseno (FAISS) sobre los vectores normalizados. Fine-tuning contrastivo (InfoNCE y Triplet) y expansión B2B semisupervisada: 69,66 % de Recall@15, 100 % open source. Doble premio en HackUDC 2026.

  • SigLIP
  • DINOv2
  • YOLOv8x
  • PyTorch
GitHub
MXP AutoScan: detección de daños sobre el vehículo Entrega de premios del Datathon Primer premio del Datathon Jornada del Datathon O Camiño dos Datos

01 / 2026

MXP AutoScan

Automatiza el peritaje de vehículos para aseguradoras y talleres: a partir de las fotos del coche, una Dual Mask R-CNN localiza cada daño, identifica la pieza afectada y estima su severidad, y genera un informe técnico estructurado a través de una interfaz web o una API REST. Reduce el tiempo de tasación y hace el proceso más transparente. Primer premio en el Datathon O Camiño dos Datos.

  • Dual Mask R-CNN
  • Python
  • API REST
Noticia
Spotify Million Playlist Dataset

01 / 2026

Spotify Million Playlist Challenge

Continuación automática de playlists sobre el dataset de 1.000.000 de listas del RecSys Challenge 2018 de Spotify: seis recomendadores de filtrado colaborativo implementados desde cero sobre matrices dispersas (KNN de usuario e ítem, PureSVD, SLIM y FISM), con SLIM y FISM entrenados por diferenciación automática en TensorFlow. Pipeline reanudable de cuatro etapas evaluado con R-Precision, NDCG y Clicks.

  • Filtrado colaborativo
  • SLIM
  • PureSVD
  • TensorFlow
GitHub
Federado: precisión FedAvg frente a FedProx Distribución Non-IID de los clientes Modelos adaptativos en streaming Comparación de pérdida entre estrategias

11 / 2025

Aprendizaje federado y en streaming

Aprendizaje automático cuando los datos no pueden moverse. Entrenamiento federado sobre clientes Non-IID con Flower y PyTorch, comparando FedAvg frente a FedProx en MLP, CNN, ResNet-18 y MobileNetV3; y aprendizaje online bajo concept drift con River, con detección de deriva ADWIN y modelos adaptativos (Hoeffding Adaptive Tree, Adaptive Random Forest).

  • Flower
  • PyTorch
  • River
  • FedProx
  • ADWIN
GitHub
Predicción de precios
de combustible

10 / 2025

Predicción de precios de combustible

Predicción del precio diario del combustible en las gasolineras de A Coruña sobre 1,6 millones de registros: pipeline completo de Spark ML con ingeniería de características temporal (lags, medias móviles y codificaciones cíclicas), splits sin fuga temporal y búsqueda de hiperparámetros con Optuna. Regresión lineal, Random Forest y GBT para gasolina, diésel y GLP.

  • PySpark
  • Spark ML
  • Optuna
  • Ingeniería de características
GitHub
Segmentación de carreteras: predicción frente a ground truth Análisis de espacios de color Mejor resultado clásico sin deep learning Arquitectura de la U-Net Predicción de la U-Net Predicción de la U-Net Predicción de la U-Net

06 / 2025

Segmentación de carreteras

Ingeniería de características clásica y una U-Net sobre imágenes aéreas del Massachusetts Roads Dataset, con un volumen de 17 canales interpretables por imagen.

  • U-Net
  • TensorFlow
  • OpenCV
GitHub

Premios

  • 2026 Primer premio, Datathon O Camiño dos Datos (DIHGIGAL, ITG, UDC, IGAPE). Referencia
  • 2026 Segundo premio, reto INDITEXTECH, HackUDC. Referencia
  • 2026 Primer premio, mejor uso de IA open source, HackUDC. Referencia
  • 2026 Segundo premio, herramientas Google Cloud, Impacthon. Referencia
  • 2021 Premio Best Outreach, final europea CanSat, Agencia Espacial Europea. Referencia
  • 2016 - 2021 Primeros premios y menciones de honor en ferias de ciencia nacionales e internacionales (Festiciencia, Galiciencia, Ciencia en Acción, Maker Faire).

Contacto

xoel.maestu [arroba] gmail.com
GitHub LinkedIn CV