Desenvolvimento de um Painel Gerencial para Marketplace de Entregas com o Streamlit.
Nesse projeto, os conceitos de Programação em Python, manipulação de dados, pensamento estratégico e lógica de negócio, junto com ferramentas de desenvolvimento web como o Streamlit e ferramentas como o Github, foram usados para desenvolver um painel gerencial com as principais métricas de uma empresa marketplace de delivery de comida.
O resultado final do projeto foi um painel hospedado em um ambiente Cloud e disponibilizado através de um link web. O painel pode ser acessado por qualquer dispositivo conectado na internet.
Ferramentas utilizadas:
- Python.
- VS Code.
- Terminal.
- Streamlit e Streamlit Cloud
Ensaio de Machine Learning.
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:
- Bibliotecas utilizadas: Python 3.10 e Scikit-learn.
- Algoritmos de classificação: KNN, Decision Tree, Random Forest e Logistic Regression.
- Algoritmos de regressão: Linear Regression, Decision TreeRegressor, 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.
- Algoritmos de agrupamento: K-Means e Affinity Propagation.
- Métricas de performance: Accuracy, Precision, Recall, F1-Score, R2, MSE, RMSE, MAE, MAPE, e Silhouette Score.
Previsão de vendas.
Projeto end-to-end para previsão de vendas das 6 últimas semanas da rede de farmácias Rossmann, para isso, foi contruído um modelo de Machine Learning (XGBoost) para realizar a predição.
O algoritmo de Regressão treinado possui um erro de 12% e o resultado estimado da solução é de $ 290 milhões de faturamento.
O resultado final do projeto foi a criação de um bot no telegram (rossmannproject_bot) para consultar o faturamento de cada loja desejada .
Ferramentas utilizadas:
- Principais Bibliotecas utilizadas: Python 3.10.13, Numpy, XGBoost, Scikit-learn, Seaborn, Flask .
- Algoritmos de regressão: Linear Regression, Ridge Linear Regression, Random Forest Regressor, XGBoost.
- Métricas de performance: RMSE, MAE e MAPE.
Protótipo de Classificação de Produtos com IA.
Desenvolvimento de um protótipo de modelo com IA para classificar produtos da Amazon usando Large Language Model (LLM).
O modelo foi treinado utilizando um conjunto de dados público e emprega a técnica de ”few-shot prompting” para categorizar novos produtos.
Chegou-se a uma acurácia de 90% para esse protótipo.
Ferramentas utilizadas:
- Principais Bibliotecas utilizadas: Python 3.10.13, OpenIA, numpy, pandas .
- Modelo de LLM utilizado: ChatGPT-4o.
- Métricas de performance: Similaridade semântica e acucária.
