CV
Disponible · Sevilla

Miguel Jerónimo
Gutiérrez

Construyo herramientas de IA para pipelines creativos.
Vengo del 3D y los videojuegos — MatForge es lo que pasa cuando esos dos mundos se cruzan.

Deep learning · Visión por computador · Síntesis de materiales PBR · Python · PyTorch

Ver MatForge → GitHub LinkedIn Contacto
MatForge: Visor 3D en tiempo real con textura metálica generada por IA
MatForge — Visor 3D en tiempo real
Proyecto destacado

MatForge

Genera mapas PBR a partir de una sola fotografía. Sin suscripción. En tu equipo. En menos de 10 segundos.

MatForge predice los tres mapas de textura que definen cómo se comporta un material bajo cualquier iluminación —Normal, Roughness y Metallic— a partir de una única imagen RGB. Lo hace en local, sobre GPU de consumo, y exporta directamente al motor 3D que elijas.

Construido con una arquitectura encoder-decoder propia: PVT-v2-B1 como encoder jerárquico y un decoder FPN con tres cabezas de salida especializadas, entrenado sobre el dataset MatSynth.

10,37°
Error angular — Normal Map
0,0976
LPIPS (calidad perceptual)
<10 s
Tiempo de inferencia (GPU 4 GB)
PyTorch PVT-v2 PatchGAN DINOv2 Real-ESRGAN Streamlit OpenCV Three.js
Ver página completa → GitHub
MatForge: los tres mapas PBR generados (Normal, Roughness, Metallic) desde una imagen de metal antideslizante
Normal · Roughness · Metallic — textura metálica
MatForge: visor 3D en tiempo real aplicando los mapas generados sobre una esfera
Visor 3D integrado — Three.js
Exporta a: Blender · Unreal Engine 5 · Unity URP/HDRP · Godot 4

Proyectos de IA

Otros proyectos

Ejercicios del máster seleccionados por su valor técnico y claridad. Cada uno aborda un área distinta del aprendizaje automático.

2026

A* vs Dijkstra — Comparativa de búsqueda

Visualizador interactivo de A* y Dijkstra con animación de búsqueda, heurística octile y métricas comparativas en tiempo real

Implementación con arquitectura modular: algoritmo separado de la UI, A* implementado como generador Python para animar la expansión paso a paso. Heurística octile distance — la correcta para 8 direcciones con pesos variables. Incluye prevención de corner-cutting y comparativa de métricas en tiempo real: coste de ruta, nodos expandidos y tiempo de ejecución.

PythonA*DijkstraPathfindingPygame
Vista previa de A* vs Dijkstra — Comparativa de búsqueda Ver en GitHub →
2026

Clasificador de productos — Encoder Transformer

Fine-tuning de un transformer multilingüe para categorizar productos de e-commerce en 7 macro-categorías

Pipeline completo de datos y modelo: construcción del dataset desde 117k productos de Amazon, limpieza y balanceo de clases, y fine-tuning de MiniLM multilingüe con class weights. F1 macro 0.716 sobre un test de ~9.200 productos, con mejor desempeño en categorías de vocabulario distintivo (Moda, Electrónica).

PyTorchTransformersMiniLMNLPFine-tuning
Vista previa de Clasificador de productos — Encoder Transformer Ver en GitHub →
2026

Riesgo de crédito — MLP

Clasificador binario de impago en préstamos con hipoteca, diseñado para minimizar falsos negativos

Red neuronal (MLP) entrenada sobre el dataset HMEQ con topología en pirámide invertida y umbral de decisión ajustado a 0.30 para priorizar recall — el error crítico en un contexto bancario es no detectar un impago. AUC = 0.92, recall de impagos = 85.4%.

TensorFlowKerasMLPClasificaciónPython
Vista previa de Riesgo de crédito — MLP Ver en GitHub →
2026

Detección de anomalías cardíacas — VAE

Autoencoder convolucional que detecta latidos anómalos por su error de reconstrucción, sin necesitar ejemplos de anomalías para entrenarse

Entrena un autoencoder Conv1D exclusivamente con latidos ECG normales; cualquier morfología que no es capaz de reconstruir bien se marca como anómala. Precisión del 97.8% y recall de anomalías del 98.6%, con un error de reconstrucción hasta 323 veces mayor en latidos anómalos que en normales.

TensorFlowKerasAutoencoderAnomaly DetectionECG
Vista previa de Detección de anomalías cardíacas — VAE Ver en GitHub →
2026

Vida útil de turbinas — RNN

Red LSTM apilada que predice cuántos ciclos de vida le quedan a una turbina de avión antes de fallar

Procesa ventanas deslizantes de sensores del dataset NASA C-MAPSS para estimar la vida útil restante (RUL). MAE de 10.36 ciclos en general, que baja a 2.5 ciclos en el tramo crítico (RUL < 25) — justo donde más importa acertar antes de un fallo.

TensorFlowKerasLSTMSeries temporalesPredictive Maintenance
Vista previa de Vida útil de turbinas — RNN Ver en GitHub →
2026

Segmentación de clientes — Clustering comparativo

Comparativa de cuatro algoritmos de clustering sobre datos de comportamiento de compra, con recomendación final para producción

K-Means, Clustering Jerárquico, DBSCAN y GMM comparados con métricas y razonamiento de negocio — incluyendo por qué DBSCAN parece ganar en las métricas pero es la peor opción real para este caso. K-Means con k=4 recomendado para segmentación mensual en producción.

Scikit-learnK-MeansDBSCANGMMPCA
Vista previa de Segmentación de clientes — Clustering comparativo Ver en GitHub →
2026

Donkey Kong inverso — RL comparativa

Comparativa de Monte Carlo vs Q-Learning en un entorno de grid inspirado en Donkey Kong, sobre 5 semillas

Ambos algoritmos implementados desde cero, sin frameworks de RL, sobre un grid 6×6 con escaleras y agujeros. Q-Learning converge en las 5 semillas frente a solo 2 de Monte Carlo, aunque ambos encuentran la misma ruta óptima de 9 pasos cuando convergen.

Reinforcement LearningQ-LearningMonte CarloNumPy
Vista previa de Donkey Kong inverso — RL comparativa Ver en GitHub →

Sobre mí

El camino hasta aquí

Empecé en animación 3D y diseño de videojuegos. Tras el Grado Superior, seguí formándome de forma privada en Game Design y modelado 3D — aprendiendo a modelar en Blender, a diseñar materiales PBR en Substance y a pensar en pipelines de producción. Eso me enseñó cómo funciona el mundo artístico por dentro: los cuellos de botella, el coste real de generar un buen material, lo que un artista necesita y lo que las herramientas disponibles no le dan.

Cuando llegué a la IA, vi la conexión inmediatamente. No como sustitución — como extensión. MatForge no reemplaza el criterio artístico: automatiza la parte que más tiempo consume para que el artista se centre en la que importa.

Actualmente en búsqueda activa de mi primer rol profesional. Me interesa trabajar en el cruce entre IA aplicada y producción de contenido visual: herramientas, pipelines, síntesis de imagen, visión por computador.

Formación principal
2025 — 2026
Curso de Especialización en IA y Big Data
EUSA — Cámara de Comercio de Sevilla
2023
Cambridge B2 First Certificate in English
Cambridge Assessment English · Certificado oficial
2018 — 2020
Grado Superior en Animaciones 3D, Juegos y Entornos Interactivos
Cesur Sevilla
Formación complementaria
2021 — 2022
Modelado y Animación 3D
V-Art, Sevilla · Curso privado
2020 — 2021
Game Design
Aula Arcade, Sevilla · Curso privado
IA y Deep Learning
PyTorchComputer VisionVision TransformersGANsVAEsReinforcement LearningScikit-learn
Herramientas y stack
PythonStreamlitOpenCVGitDockerPandasNumPy
3D y pipeline creativo
BlenderSubstance DesignerPBR MaterialsUnityUnreal Engine 5Godot 4
Transversales
Documentación técnicaInglés técnico (B2)Trabajo autónomoInvestigación

Contacto

Hablamos

Disponible para oportunidades presenciales en Sevilla y España en general.
Abierto a prácticas, trainee y posiciones junior.

Email
miguelj.gutierrez.barranco@gmail.com
LinkedIn
migueljeronimogutierrezbarranco
GitHub
gutierrezmigueljeronimo
Currículum
Descargar PDF