Me chamo Débora Freitas e resolvo problemas com dados utilizando ferramentas de business intelligence, programação, estatística e machine learning.
📍 Sou natural de Recife - Pernambuco;
👩🏻🎓 Graduanda em Ciência de Dados (UNINTER);
🎓 Graduada em Ciências Biológicas (UFPE), com experiência em pesquisa na área de biologia computacional e dados;
🧰 Possuo conhecimento em Python, Machine learning, SQL, Git, Estatística, Excel e Power BI;
👩🏻💻 Atualmente estagiária de Análise de Dados na Healthbit.
Dashboard interativo da Olist, uma plataforma de e-commerce que atua como um facilitador para os vendedores se conectarem a diferentes marketplaces. A análise dos dados foi feita por meio do Power BI. Ferramentas e métodos: Análise de KPIs e construção de métricas, tratamento e inspeção de dados (Power Query), modelagem de relacionamentos e Power BI.
Análise de dados da Zomato, um serviço de busca que torna possível ao usuário buscar informações relacionadas a restaurantes, bares, cafés, pubs e casa noturnas. Ferramentas e métodos: Python para análise de dados, bibliotecas: pandas, folium (maps) e plotly e Stremlit (dashboard interativo).
Análise exploratória de dados da Olist. Trata-se de um projeto complementar ao dashboard realizado no Power BI. Dentre as etapas, foi feita uma análise espacial, word cloud com reviews de clientes e queries SQL. Ferramentas e métodos: ETL com API do Kaggle, Python, consultas com SQL, SQLite, bibliotecas: pandas, sqlite3, geopandas, matplotlib e seaborn.
Projeto de classificação que visou prever o churn para ajudar um banco a classificar seus clientes com base em seus dados. Após o entendimento do negócio, o recall foi utilizado como métrica para treinar os modelos, pois nesse caso, é mais importante detectar todos os possíveis clientes que serão churn do que fazer classificações precisas. Ferramentas: pandas, matplotlib, seaborn, scipy e sklearn. Modelo escolhido: SVM.
Projeto de regressão e séries temporais que com base na previsão dos algoritmos de machine learning, foi possível calcular por meio do erro MAE o melhor e o pior cenário de receita da empresa pelas pelas próximas 6 semanas e o quanto o CFO poderia investir em cada loja. Ferramentas: pandas, matplotlib, seaborn, scipy e sklearn. Modelo escolhido: Random Forest.
Projeto de clusterização que visou analisar diferentes perfis de clientes de uma loja de departamentos para auxiliar a equipe de marketing na tomada de decisão. Além disso, foi possível inferir que clientes de alguns clusters podem ser considerados de alto valor para o negócio. Ferramentas e métodos: K-means e bibliotecas: pandas, matplotlib, seaborn e sklearn.
Como os ruídos nos dados podem afetar o RMSE, MAE e ME?
Ao estudar Machine learning, em algum momento você se deparou ou irá se deparar com algumas métricas importantes para avaliar a performance do seu modelo de regressão, como o RMSE (Root Mean Squared Error) e MAE (Mean Absolute Error). Acompanhe o artigo para saber mais.
Acurácia, Precisão, Recall, F1-score e AUC
Matriz de confusão, Acurácia, Precisão, Recall, F1-score e AUC/curva ROC são importantes métricas de classificação. Neste artigo, iremos discutir um pouco sobre cada uma e como escolher a que melhor se encaixa no seu problema de negócio. Acompanhe o artigo para saber mais.