Sobre mim

Olá, tudo bem? Me chamo Matheus e estudo Engenharia da Computação no IFF.

Meu objetivo é aumentar o lucro das empresas e reduzir seus custos através da construção de produtos de dados. Pra isso, estou sempre estudando através do desenvolvimento de projetos pessoais.

Habilidades e Ferramentas

Linguagens de Programação e Banco de Dados

  • Python com foco em análise de dados
  • Web Scrapping com Python
  • SQL
  • Bancos de Dados: SQLite, MySQL, PostgreSQL

Estatística e Machine Learning

  • Técnicas de ML: Regressão, Classificação, Clusterização

Visualização de Dados

  • Bibliotecas Python: Matplotlib, Seaborn e Plotly
  • Power BI

Engenharia de Software

  • Git
  • Heroku
  • Flask

Experiências profissionais

Estagiário em Ciência de Dados na Driva

Atualmente trabalho na Driva. Somos uma Startup brasileira que utiliza dados para ajudar as empresas a vender mais e melhor.

1 ano como Empresário Júnior

Atuação na área de Vendas, lidando constantemente com liderança de time de prospecção e negociação com clientes. Ajudei a consolidar a prospecção do nosso produto de dados, cujo intuito era ajudar pequenas e médias empresas a mapearem melhor suas métricas através de dashboards do Power BI.

Projetos de Ciência de Dados

House Rocket

Esse é um projeto do tipo insight, onde assumo a House Rocket como uma empresa fictícia americana cujo modelo de negócio é a compra, reforma e revenda de imóveis. Seu CEO se depara com dificuldade em definir os imóveis a serem adquiridos devida a quantidade massiva de dados, para isso utilizo as ferramentas de Ciência de Dados pra analisar o dataset em questão. A estratégia é comprar imóveis abaixo do preço mediano de mercado em boas condições, reformar alguns de seus atributos e revendê-los mais valorizados.

Ferramentas utilizadas:

  • Python: Pandas, Numpy, Seaborn
  • SQL
  • Jupyter Notebook

Previsão de Vendas: Rossmann.

Esse projeto é baseado num desafio do Kaggle cujo contexto é prever as vendas das próximas seis semanas para uma rede de farmácias (Rossmann) que atua em 7 países europeus com mais de 3000 lojas. Para isso, utilizei o modelo de regressão linear, seguindo a metodologia CRISP-DS para rápida entrega de resultado.

Ferramentas utilizadas:

  • Python: Boruta, Sklearn, XGBoost
  • Jupyter Notebook, Git, Telegram
  • Heroku Cloud
  • Python API's: Flask

Health Insurance Cross Sell.

This project aims to order a potential client list by propensity score using Learning to Rank techniques.

Tools utilized:

  • Python: Sklearn, XGBoost, Scikitplot
  • Jupyter Notebook, Git, Google Sheets, Google Apps Script
  • Heroku Cloud
  • Python API's: Flask

High Value Customer Identification.

This project aims to realize a selection of high value customers for a British E-Commerce company using Clustering techniques.

Tools utilized:

  • Python: Sklearn, Scipy
  • Jupyter Notebook, Git

Contatos

Sinta-se à vontade para entrar em contato.