Portfólio de projetos desenvolvidos em Ciência de Dados, Machine Learning e Estatística, com aplicações práticas em diferentes contextos de previsão e análise de dados.
📌 Descrição:
Com o aumento das transações digitais, a segurança financeira tornou-se essencial. Neste projeto, desenvolvi um modelo de classificação de fraudes para identificar transações suspeitas em tempo real, utilizando técnicas de análise estatística e machine learning.
📌 Principais etapas:
- Análise exploratória para identificar padrões de fraude.
- Engenharia de variáveis, como taxa de transações falhas e perfis de autenticação.
- Criação e avaliação de modelos de classificação (XGBoost e RandonForest).
- Métricas utilizadas: ROC-AUC, Precision, Recall e Log Loss.
- Geração de insights para reforçar a segurança de clientes e instituições.
📌 Impacto: O modelo oferece suporte à detecção precoce de fraudes e auxilia na redução de perdas financeiras, contribuindo para sistemas mais seguros.
📂 Pasta: projeto_fraude_semantix
📌 Descrição:
Desenvolvi um modelo preditivo para estimar a renda de clientes, aplicando machine learning supervisionado e técnicas de seleção de variáveis.
📌 Principais etapas:
- Análise exploratória e descritiva dos dados (EDA).
- Tratamento de missing values e outliers (capping pelo IQR e log-transformação).
- Seleção de variáveis via LassoCV e Permutation Importance.
- Modelagem com Gradient Boosting Regressor, otimizado com Optuna.
- Avaliação com RMSE, MAE e R², incluindo deslogarização para interpretação.
📌 Ferramentas: Python, Pandas, NumPy, Scikit-Learn, SciPy, Matplotlib, Seaborn, Optuna.
📂 Pasta: Previsão de Renda
📌 Descrição:
Criação de um modelo de regressão linear para previsão de renda, com foco em análise exploratória e seleção de variáveis.
📌 Principais etapas:
- EDA e tratamento de dados.
- Seleção de variáveis significativas com Statmodels (LASSO).
- Criação, treino, ajuste e avaliação do modelo com Scikit-Learn.
📌 Ferramentas: Python, Pandas, NumPy, Matplotlib, Seaborn, Scikit-Learn, Statmodels.
📂 Pasta: Modelagem de Regressão Linear
📌 Descrição:
Modelo preditivo para estimar o preço de casas com base em variáveis explicativas.
📌 Principais etapas:
- EDA com Pandas, Seaborn e Matplotlib.
- Modelagem com DecisionTreeRegressor (Scikit-Learn).
- Ajustes com base no melhor ccp_alpha (pruning).
- Avaliação com métricas MSE e R².
📌 Ferramentas: Python, Pandas, Matplotlib, Seaborn, Scikit-Learn.
📂 Pasta: Árvore de Regressão
Linguagens: Python, SQL
Bibliotecas: Pandas, NumPy, Scikit-Learn, Matplotlib, Seaborn, SciPy, XGBoost, Optuna, Statmodels, Imbalanced-Learn, Shap, Feature-Engine
Ferramentas: Jupyter Notebook, Streamlit, Power BI, PostgreSQL, Git/GitHub
Áreas: Ciência de Dados, Machine Learning, Estatística, Modelagem Preditiva, Análise Exploratória de Dados