“Doctor Acreditado en Data Science con Mención Internacional por la Universidad Complutense de Madrid. Investigador CAILab en el área de Inteligencia Artificial.”

CARRERA PROFESIONAL

Doctor Acreditado en Data Science con Mención Internacional por la Universidad Complutense de Madrid. Investigador CAILab en el área de Inteligencia Artificial. Julio E. Sandubete Galán ha participado en más de 50 conferencias, seminarios y cursos nacionales e internacionales. Ha sido investigador visitante en el Departamento de Estadística de la Università di Bologna – Alma Mater Studiorum y en el Departamento de Estadística de la Universidad de Harvard y en el Real Colegio Complutense. También ha sido miembro del equipo de investigación de dos proyectos nacionales de I+D+i en el campo del análisis de datos. Además, ha desarrollado junto a su supervisor de tesis, una librería en código abierto del software R proporcionando a la comunidad científica un conjunto de herramientas y técnicas computacionales aplicables a diferentes disciplinas del conocimiento. Ha participado en un contrato de investigación en colaboración con la Comunidad de Madrid.
Su trayectoria como docente universitario se ha centrado en el ámbito de los métodos cuantitativos y las técnicas de análisis de datos aplicadas a diversas disciplinas tanto a nivel de grado universitario como en máster universitario oficial y títulos propios. En particular, ha impartido docencia en asignaturas tales como Métodos Avanzados en Econometría, Minería de Datos en Economía y Empresa, Investigación de Mercados, Técnicas de recogida de datos, Descripción y exploración de datos, Técnicas Multivariantes en Estadística, Minería de textos, Machine Learning, Deep Learning o Big Data. Además, ha participado en dos proyectos de innovación docente.

Publicaciones

Sandubete, J.E., Escot, L. (2020) Chaotic signals inside some tick-by-tick financial time series. Chaos, Solitons & Fractal, 137, 109852 [JCR-2020: 5.944 Q1 (1º decil) – 4/108 Mathematics, Interdisciplinary Applications]

Escot, L., Sandubete, J.E. (2020) A brief methodological note of chaos theory based on recent application on computing resources. Energeia, vol. VII, pp. 53-64 ISSN 1666-5732 [Latindex: 25/31]

Sandubete, J.E., Escot, L. (2021) DChaos: An R Package for Chaotic Time Series Analysis. R Journal, vol. 13/1 [JCR-2020: 3.984 Q1 (1º decil) – 12/125 Statistics & Probability]

Pietrych, L., Sandubete, J.E., Escot, L. (2021) Solving the chaos model-data paradox in the cryptocurrency market. Communications in Nonlinear Science and Numerical Simulation, 102, 105901 [JCR-2020: 4.260 Q1 (1º decil) – 5/265 Mathematics, Applied]

Sandubete, J.E., Escot, L. (2021) Estimating Lyapunov exponents on a noisy environment by global and local Jacobian indirect algorithms. Applied Mathematics and Computation (forthcoming)

Rodríguez-Fuertes, A., Alard-Josemaria, J., Sandubete, J.E. (2021) Measuring the candidates’ emotions in political debates based on facial expression recognition techniques. Frontiers in Psychology (forthcoming)

Escot, L., Sandubete, J.E, Fernández-Díaz, A. (2022) Forecasting time series by a Lyapunov simulated-based method. Chaos: An Interdisciplinary Journal of Nonlinear Science (forthcoming)

Escot, L., Sandubete, J.E.,  Pietrych, L. (2022) Measuring the effects of COVID-19 pandemic on the instability of the most important world stock market indices. Applied Numerical Mathematics (forthcoming)

Imparte clases en:
Máster en Ciencia de Datos