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

PyBR15 - Cada um Com Seu Modelo

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

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