Eduardo De Felipe Rendo

Soy egresado de la carrera de Ingeniería en Desarrollo y Gestión de Software, y tengo la capacidad de construir soluciones de software y sistemas inteligentes mediante la gestión de proyectos, la integración de metodologías, modelos y herramientas de desarrollo, todo bajo la normatividad aplicable para la optimización de proyectos de investigación, innovación, desarrollo tecnológico y emprendimiento. Estoy altamente motivado para seguir aprendiendo y dispuesto a enfrentar nuevos desafíos laborales.

**Experiencia Profesional:**

**The Villa Group Resort Los Cabos | Estadías de Ingeniería en Tecnologías de la Información - Área Desarrollo de Software Multiplataforma**
- Desarrollo e implementación de una aplicación web integral de gestión de suministros alimenticios para el restaurante del hotel.
- Soporte a software y hardware del equipo instalado.

**Gecosoft S.A. de C.V. | Estadías de TSU en Tecnologías de la Información - Área Desarrollo de Software Multiplataforma**
- Creación de una aplicación web administrativa para gestionar empresas, clasificaciones, empleados y usuarios.
- Entregables: diseño conceptual de la aplicación, base de datos, aplicación web desarrollada en Angular CLI, y una API REST en .Net Core con C#.

**Experiencia Académica Relevante:**

Desarrollo de "Doctor Café": Módulo de detección de roya del café y recomendaciones mediante algoritmos de aprendizaje profundo.

En los últimos años, el café ha enfrentado un aumento global de plagas y enfermedades, afectando la calidad y rentabilidad de su producción. Una de las enfermedades más devastadoras y comunes es la roya del café, que ha causado una disminución significativa en la producción de café a nivel nacional y estatal al provocar la caída de hojas maduras y jóvenes, reduciendo la producción. En este trabajo, se presenta el desarrollo de una aplicación móvil utilizando un modelo de algoritmo de aprendizaje profundo para identificar y predecir el nivel de infección de roya del café, proporcionando recomendaciones de tratamiento y prevención para los caficultores. El modelo clasificó con una precisión del 58% las hojas enfermas de roya en un conjunto de datos de hojas enfermas y sanas.

Este trabajo cuenta con un artículo científico disponible en internet el cual aparece como “Coffee rust detection and recommendations module through deep learning algorithms”.