Creditas, esse é uma análise completa referente a dados fictícios utilizados dentro de um processo seletivo para trabalhar na empresa. Vale lembrar que eu NÃO participei de nenhum processo seletivo na empresa. A obtenção desse conjunto de dados foi por meio de um ex- colega que participou e posteriormente me solicitou ajuda na modelagem dos dados. Aqui consta desde os dados analisados, a criação do modelo, o arquivo Peakle contendo os resultados do modelo, e o arquivo da aplicação web.

KaysCash esse sim é um arquivo proveniente de um processo seletivo para Cientista de Dados Junior. Na pasta do arquivo, contém a análise, os dados utilizados, os arquivos peakle do modelo, e mais dois arquivos de aplicações web que ainda não foram finalizadas.

PostgreeSQL, esse é um arquivo que fiz, para praticar consultas do Python, diretamente nos bancos de dados. Foi utilizado dados do arquivo DVD RENTAL, contido no seguinte link.

Simulação de Monte Carlo, é um arquivo contendo uma simulação de Receita, Despesas e Lucros, com base num arquivo FICTÍCIO de receitas mensais. O período é de 12 meses. Em decorrência da pouca quantidade de série histórica para a elaboração de um modelo de série temporal tradicional, a simulação de monte carlo é utilizada justamente para simular diferentes cenários com a pouca quantidade de dados existentes.

Churn: Análise e Modelo de Machine Learning é um arquivo de uma competição do Kaggle, aonde deseja prever quais serão os possíveis clientes que pretendem cancelar o serviço de telecomunicação. Primeiramente, foi feito uma análise exploratória dos dados, para buscar entender os dados e as suas relações e correlações. Após realizada a analise de exploração dos dados, buscamos construir o nosso modelo. O modelo apresentou um score de 0.96444.

Heart Atack é um arquivo referente a classificação de pessoas que podem ou não ter um ataque cardíaco / infarto. Os dados utilizados foram obtidos no site do Kaggle. Buscou-se fazer uma análise exploratória primeiramente, e posteriormente a construção do modelo. O modelo apresentou uma acurácia de 0.8132.

Vagas.com é um arquivo referente a classificação de pessoas que foram aprovados ou não em uma determinada vaga de emprego. Os dados utilizados foram obtidos diretamente no link.Primeiramente foi feito um modelo no Pycaret (machine automatizado). Posteriormente foi feita a melhoria no modelo, começando pelo AutoMLSearch, depois foi testado os melhores modelos e aperfeiçoando eles. Primeiramente, foram utilizadas técnicas de normalização nos dados. Os dados se encontravam muito desbalanceados, por isso foi utilizado também o método Near() para que fosse balanceados. Após isso o resultado do modelo de machine learning apresentou um score do Random Forest de 83.90%. A melhor configuração é:

Nova precisão: 0.8965 Novo recall: 0.7671 Novo F1 Score: 0.8268 ROC: 0.9092

Por fim, foi feito uma rede neural para classificar. Os resultados da Rede Neural se assemelham ao do modelo de machine learning. Segue abaixo a pontuação:

Nova Acuracia: 0.8262 Nova precisão: 0.8341 Nova recall: 0.8140 Nova F1 Score: 0.8239

Os resultados do arquivo de submissão apresentou os seguintes resultados: Machine Learning: 25055 aprovados e 1079 não aprovados Rede Neural: 24335 aprovados e 1799 não aprovados.

Porto Seguro é um arquivo referente uma competição no site do Kaggle. Foi feito, vários modelos, utilizamos Pycaret e pacotes do próprio Sklearn. O pycaret foi utilizado para termos uma base de quais modelos perfomariam melhor. E após isso, tratamos de melhorar o modelo de forma mais "personalizada" na biblioteca do Sklearn. Foram tentadas algumas abordagens, como por exemplo, usar PCA para diminuirmos a quantidade de variáveis, sem muito sucesso. Após isso, algumas variáveis foram excluídas. Após isso, obtivemos as seguintes pontuações:

Nova precisão: 0.6420 Novo recall: 0.6583 Novo F1 Score: 0.6501 ROC: 0.8733

Sem a utilização do Pycaret, conseguimos melhorar o nosso modelo final. Saimos de 0.38943 para 0.60690, o que nos colocaria entre os 138° na competição.

No link abaixo, minha submissão feita diretamente no site no Kaggle, aonde minha pontução com Private Score foi de 0.63696 e o Public Score de 0.64212.

Link da resolução no site do Kaggle: https://www.kaggle.com/felipesembay/modelo-gradientboosting

Bolsa de Valores: Nesta pasta, possui 2 arquivos, um que trata da Análise Fundamentalista e o outro que trata do Calculo de Valuation.

O primeiro arquivo trata, desde coletar dados do site Fundamentus, para extração de informações referentes sobretudo a Analise Fundamentalista. Após isso é feito um ranking com algumas informações consideradas importantes. Após isso, buscamos os dados das cotações das empresas Porto Seguro - PSSA3.SA e da Marfrig - MRFG3.SA e comparamos com o IBOV. Nesse primeiro arquivo é testado também um método de Otimização utilizado para calcular quais seriam as melhores retornos de acordo com o problema proposto. Ainda nesse primeiro arquivo, é abordado também, a utilização de médias móveis em gráficos de ações e como elas podem indicar e ajudar na tomada de decisão.

No segundo arquivo, é trabalhado em cima de variáveis e fórmulas para calcular o Valuation de uma determinada empresa, com base no seu fluxo de caixa presente.

Fundos Imobiliários é um arquivo, que coleta a analisa as informações dos principais fundos imobiliários. Essas análises tem o intuito de ajudar a localizar quais são as melhores oportunidades de investimento em Fundos Imobiliários no país.

PROJEÇÃO INDICADORES ECONOMICAS - JUROS, neste arquivo, é utilizado as bibliotecas Quandl e pycaret-ts-alpha para buscar e gerar modelos de série temporal referente a indicadores macroeconômicos. O arquivo, traz as projeções futuras desde o mês 12/2021 até o mês 12/2023. Segue abaixo resultado final das projeções feitas.

2021-12 8.4760 2022-01 9.4377 2022-02 10.3553 2022-03 10.9080 2022-04 11.4699 2022-05 11.9859 2022-06 12.4154 2022-07 12.7405 2022-08 12.9434 2022-09 13.0627 2022-10 13.0005 2022-11 12.8475 2022-12 12.6674 2023-01 12.3839 2023-02 12.0607 2023-03 11.7124 2023-04 11.2990 2023-05 10.8544 2023-06 10.3951 2023-07 9.9282 2023-08 9.4646 2023-09 9.0144 2023-10 8.5876 2023-11 8.1758 2023-12 7.7861

Se as projeções se concretizarem, os juros só tenderam a cair com mais força no 2° semestre de 2023.