PyBR15 - Cada um Com Seu Modelo

Palestra Utilizada na https://2019.pythonbrasil.org.br/

Todo mundo gosta de classificar seus gastos a sua maneira, então, como sugerir uma classificação "única" para uma base gigante de pessoas? Nesta palestra, apresentaremos uma solução para modelar, treinar, predizer e sugerir em qual classificação determinado lançamento financeiro se encaixa. De maneira dinâmica e automática, utilizando scikit-learn, temos uma solução que cria e gerencia automaticamente modelos individuais para os usuários da plataforma Conta Azul. Uma solução robusta e simples, feita para permitir personalização e automatização aos usuários na hora de realizar seus lançamentos financeiros

Transcript

1. Cada um com seu modelo Criando um modelo de classificação e de sugestão único por usuário
2. • Nerd / Geek / Livros / Quadrinho / Games / Cervejas • Itu(SP) -> Limeira(SP) -> Campinas(SP) -> Joinville(SC) • Unicamp / FIAP • Delphi-> SQL -> C# -> DBA -> Dados -> Ciência de Dados • 10+ anos na área de TI • Codenation • Python Joinville & Data Science Joinville • Python Brasil: Segunda participação e a Primeira palestra Gabriel Bellon (Gabu) / @gabubellon
3. CADÊ MEU DINHEIRO ?
4. TUDO EM UMA PLANILHA !
5. MAS NÃO TEM UM APP ?
10. ALUGUEL IMPOSTOS SALÁRIOS TAXAS VENDAS RECEBIMENTOS CADA UM NA SUA CAIXA !
11. BENDER
12. BENDER
13. BENDER
14. Primeira versão Custo Segurança Manutenção BENDER
16. DATA
19. SALÁRIO
20. SALÁRIO VENDAS
21. SALÁRIO VENDAS ALUGUEL
22. CLASSIFY !
29. ALUGUEL ALUGUEL
31. RECEB. ALUGUEL PAGTO. ALUGUEL
32. CLASSIFY (2)
34. PAGTO. ALUGUEL RECEB. ALUGUEL
35. PAGTO. ALUGUEL RECEB. ALUGUEL
39. CLASSIFY FORMA FINAL !
40. PAGTO. ALUGUEL RECEB. ALUGUEL SCORE - Acertando Melhor ACCURACY - Com Maior Frequência
41. PAGTO. ALUGUEL RECEB. ALUGUEL SCORE - Acertando Melhor ACCURACY - Com Maior Frequência PAGTO. ALUGUEL RECEB. ALUGUEL
42. PAGTO. ALUGUEL RECEB. ALUGUEL SCORE - Acertando Melhor ACCURACY - Com Maior Frequência PAGTO. ALUGUEL RECEB. ALUGUEL RECEB. ALUGUEL
57. • Múltiplos Modelos: ◦ 1 modelo para crédito e 1 para débito Global; ◦ 1 modelo para crédito e 1 para débito para Cada cliente; ◦ ~60% da base possui seu próprio modelo. • Diminuição de custos ◦ ~90% em relação solução anterior. • Velocidade ◦ Treino: Cerca de 6hs (PARA TODA A BASE!); ◦ Predição: Milésimos de segundos; ◦ 3K: predições em média por minuto (set/19); ◦ 12K: pico de predições por minuto (set/19); • Solução: ◦ (Praticamente) Open-Source; ◦ Algoritmos simples e "padrões" (TF-IDF, XGBoost).
58. TECNOLOGIAS
59. PESSOAS > TECNOLOGIA
60. PESSOAS > TECNOLOGIA
61. OBRIGADO • @gabubellon • gabubellon@gmail.com • gabriel.bellon@contaazul.com • http://gabubellon.me • https://jobs.kenoby.com/contaazul • http://python.joinville.br/ • http://dados.joinville.br/ • http://bit.ly/gabupybr15