Pro Yearly is on sale from $80 to $50! »

PyBR15 - Cada um Com Seu Modelo

6e3e4d5b447ebd1796eeedfd91bd92f1?s=47 Gabriel (Gabu) Bellon
October 26, 2019
Technology
1
82

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

6e3e4d5b447ebd1796eeedfd91bd92f1?s=128

Gabriel (Gabu) Bellon

October 26, 2019
Tweet

More Decks by Gabriel (Gabu) Bellon

See All by Gabriel (Gabu) Bellon
6e3e4d5b447ebd1796eeedfd91bd92f1?s=48 gabubellon
0
47
6e3e4d5b447ebd1796eeedfd91bd92f1?s=48 gabubellon
0
30
6e3e4d5b447ebd1796eeedfd91bd92f1?s=48 gabubellon
0
75
6e3e4d5b447ebd1796eeedfd91bd92f1?s=48 gabubellon
0
40
6e3e4d5b447ebd1796eeedfd91bd92f1?s=48 gabubellon
0
42
6e3e4d5b447ebd1796eeedfd91bd92f1?s=48 gabubellon
0
54

Other Decks in Technology

See All in Technology
D56efd2db811cb782f1458df3888c82a?s=48 mktakuya
0
140
8d80af14296180866264212adbfb587e?s=48 godan
1
170
Eebedc2ee7ff95ffb9d9102c6d4a065c?s=48 line_devday2020
0
180
5c09f662722aedce68b28ccdb048e7f9?s=48 humanome
0
120
5d74d743eabd2bf7d4d2f68b9d3c727d?s=48 cubicdaiya
2
210
Eebedc2ee7ff95ffb9d9102c6d4a065c?s=48 line_devday2020
0
130
Eebedc2ee7ff95ffb9d9102c6d4a065c?s=48 line_devday2020
0
140
Eebedc2ee7ff95ffb9d9102c6d4a065c?s=48 line_devday2020
0
180
Eebedc2ee7ff95ffb9d9102c6d4a065c?s=48 line_devday2020
0
110
15a426483f69ea0bcd4c74326d4419e6?s=48 roksolanad
0
100
14fc669973dea92bf6fd5ede6f4e016b?s=48 seizecare
0
130
Eebedc2ee7ff95ffb9d9102c6d4a065c?s=48 line_devday2020
0
130

Featured

See All Featured
39488f9d172ab92fd352f2cd7b73258d?s=48 mza
80
4k
32de0bd2ba869609d26fd052a4622778?s=48 cromwellryan
101
5.8k
Dafc4723e9a1c067796c0fec6f509774?s=48 lemiorhan
625
41k
A0517b08532aec8ab2aae3f65d40ad86?s=48 hannesfritz
27
910
20bfe76b3d6105641f879fe45cfc9272?s=48 bkeepers
320
53k
C620790ae5bf5b50c245b2e0ef95f338?s=48 deanohume
295
27k
1b75d89772b7eea1f6c89fbf362607d9?s=48 moore
125
21k
170b760e0147792d0140e59ec78e9893?s=48 eitanlees
109
9.7k
D8fc2580cfaca035f666d9e4ee79a7f7?s=48 mongodb
23
3.7k
Ae14cc4491ac334f9cd23f9f93b4305e?s=48 orderedlist
PRO
327
35k
Fde6c3a50ca518a909ef35c22c0ee0e4?s=48 destraynor
223
47k
C1daf20e5c49ff910745198ef9869ac2?s=48 hatefulcrawdad
258
16k

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 ?

  6. None
  7. None
  8. None
  9. None

  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

  15. None

  16. DATA

  17. None
  18. None

  19. SALÁRIO

  20. SALÁRIO VENDAS

  21. SALÁRIO VENDAS ALUGUEL

  22. CLASSIFY !

  23. None
  24. None
  25. None
  26. None
  27. None
  28. None

  29. ALUGUEL ALUGUEL

  30. None

  31. RECEB. ALUGUEL PAGTO. ALUGUEL

  32. CLASSIFY (2)

  33. None

  34. PAGTO. ALUGUEL RECEB. ALUGUEL

  35. PAGTO. ALUGUEL RECEB. ALUGUEL

  36. None
  37. None
  38. None

  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
  43. None
  44. None
  45. None
  46. None
  47. None
  48. None
  49. None
  50. None
  51. None
  52. None
  53. None
  54. None
  55. None
  56. None

  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