2+ Projetos completos de Ciência de Dados:

Construção de soluções de dados para problemas de negócio, próximos dos desafios reais das empresas, utilizando dados públicos de competições de Ciência de Dados, onde eu abordei o problema desde a concepção do desafio de negócio até a publicação do algoritmo treinado em produção, utilizando ferramentas de Cloud Computing.

1+ anos como Analista de Suporte:

Análise e acompanhamento das tarefas reportadas por clientes e setores internos até a conclusão. Rotinas de atualização de relatórios e métricas para análises do gestor da área.

8+ anos como Coordenador de Produção:

Planejamento e Controle de Produção, afim de garantir o cumprimento das demandas reportadas pelo Time Comercial. Rotinas de atualização de relatórios e métricas para os "steakholder"

Projetos em Ciencia de Dados

Desenvolvimento de um Painel Gerencial para Negócio com o Stremlit.

Nesse projeto, os conceitos de Programação em Python, manipulação de dados e pensamento estratégico e lógica de negócio, junto com ferramentas de desenvolvimento web como Streamlit e Github, foram usados para desenvolver o painel gerencial com as principais métricas de uma empresa marketplace que conecta restaurantes e pessoas em 15 países.

O resultado final do projeto foi um painel hospedado em um ambiente cloud e disponível através de um link web. O Painel pode ser acessado por qualquer dispositivo conectado a internet.

Ferramentas Utilizadas:

• Python
• Jupyter Lab
• Terminal
• Streamlit
• Streamlit Cloud
• Github

• SAIBA MAIS

Ensaio de Machine Learning (EM CONSTRUÇÃO)

Nesse projeto, foram explorados os principais conceitos do treinamento, ajuste de parâmetros e limiares entre overfitting e underfitting de vários algoritmos de Machine Learning dentro das tarefas de classificação, regressão e agrupamento, através de um ensaio de Machine Learning.

O resultado final do projeto foi um painel mostrando a performance desses algoritmos de Machine Learning, a partir da variações dos valores dos principais parâmetros de cada algoritmo, que controlam o estado de overfitting e underfitting.

Ferramentas Utilizadas:

• Python 3.8 e Scikit-learn
• Algoritmos de classificação: KNN, Decision Tree, Random Forest e Logistic Regression
• Métricas de performance: Accuracy, Precision, Recall e F1-Score
• Algoritmos de regressão: Linear Regression, Decision Tree Regressor, Random Forest Regressor, Polinomial Regression, Linear Regression Lasso, Linear Regression Ridge, Linear Regression Elastic Net, Polinomial Regression Lasso, Polinomial Regression Ridge e Polinomial Regression Elastic Net
• Métricas de performance: R2, MSE, RMSE, MAE e MAPE
• Algoritmos de agrupamento: K-Means e Affinity Propagation
• Métricas de performance: Silhouette Score

• SAIBA MAIS

Contato

Sinta-se a vontade para entrar em contato:

• brunohdores91@gmail.com
• LinkedIn