Upgrade to Pro — share decks privately, control downloads, hide ads and more …

PyBR15 - Cada um Com Seu Modelo

6e3e4d5b447ebd1796eeedfd91bd92f1?s=47 Gabriel (Gabu) Bellon
October 26, 2019
Technology
1
91

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
55
6e3e4d5b447ebd1796eeedfd91bd92f1?s=48 gabubellon
0
35
6e3e4d5b447ebd1796eeedfd91bd92f1?s=48 gabubellon
0
75
6e3e4d5b447ebd1796eeedfd91bd92f1?s=48 gabubellon
0
51
6e3e4d5b447ebd1796eeedfd91bd92f1?s=48 gabubellon
0
45
6e3e4d5b447ebd1796eeedfd91bd92f1?s=48 gabubellon
0
57

Other Decks in Technology

See All in Technology
3e8f61263f14a620f21d5f3f89c4b846?s=48 gamella
1
5.6k
14f2b7db383dec76a490bae09596e96c?s=48 last9
0
230
98a2aff83d5731c9e153a3f221fc08ab?s=48 kazkanda
0
230
C58432f23d4b6a94b92d9927c4fc20a3?s=48 masahirokanatani
0
310
462feb0fe0493c40d55650da664e8773?s=48 clustervr
PRO
0
180
4649f3418cb4e7b951ca28e65003c7ac?s=48 sumi
1
500
E8aaf6f975dda96c47412cf311089243?s=48 tadashi0713
6
1.6k
64a4ba69d50590e592cd8e572454daa8?s=48 olegkovalov
1
340
8fb8810e5e06a997bc13831b9b51007f?s=48 keinuma
0
190
6afbe110d33ef7e859fb8649b86bae55?s=48 mashabow
0
110
54bcc1069d75636cc735e72877dd30ec?s=48 taichinakamura
0
850
C38fdebd15fe45a85299d6add2fb2810?s=48 blocknoisegenji
0
120

Featured

See All Featured
20bfe76b3d6105641f879fe45cfc9272?s=48 bkeepers
PRO
54
4.4k
8081b26e05bb4354f7d65ffc34cbbd67?s=48 chriscoyier
779
240k
433acaea1012b25d97ae66da9b998dad?s=48 malarkey
392
61k
1177e050db6bafe62885362edf6e3537?s=48 lauravandoore
12
1.8k
91cefdf141106fa10674aae74ce05890?s=48 yeseniaperezcruz
302
32k
3d4519fd34b76fb265fc0237f3792bd4?s=48 danielanewman
3
590
245cee81a9c424266e5e401d844ea881?s=48 lara
17
3k
9cde37f47e4a800ea081ea42de8d749a?s=48 dougneiner
56
5.5k
F716e5f737fcfb03f2cf8d1a184f1dbe?s=48 nonsquared
81
3.5k
20bfe76b3d6105641f879fe45cfc9272?s=48 bkeepers
PRO
322
54k
E76911cbe088e5b850d966de3fc7435b?s=48 robhawkes
53
2.9k
9375a9529679f1b42b567a640d775e7d?s=48 schacon
147
6.7k

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