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
120

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
93
6e3e4d5b447ebd1796eeedfd91bd92f1?s=48 gabubellon
0
43
6e3e4d5b447ebd1796eeedfd91bd92f1?s=48 gabubellon
0
75
6e3e4d5b447ebd1796eeedfd91bd92f1?s=48 gabubellon
0
92
6e3e4d5b447ebd1796eeedfd91bd92f1?s=48 gabubellon
0
46
6e3e4d5b447ebd1796eeedfd91bd92f1?s=48 gabubellon
0
59

Other Decks in Technology

See All in Technology
5decf7f10129094643082b24a97a89ad?s=48 nalpan
0
350
B87a5fff1932cdac75745f24a92ba739?s=48 ryusukekimura
0
190
A645e7c3a6635ead8fa323c583769591?s=48 hololab
0
600
5b05f1e0c73a1f032172e8ab60301304?s=48 yurisuzuki
0
330
0f162107f1b716c9fa62d6071eb8b995?s=48 mugi_uno
3
1k
B4dde7c05044041075d7e55d705e9cc3?s=48 youmitsu
0
140
2cf373725ded741824c50fd571eda6e1?s=48 udzura
0
150
828dc59a55dc05d9c630187847444684?s=48 rakusmatsumoto
2
350
119659c28d16f22d01eb48a6f3ee1391?s=48 iwatatomoya
0
380
8b9d6df49849d971221467271b68d99b?s=48 manabusugimoto
2
440
74253b7e85d0a315a23d74db50abd8e4?s=48 coa00
0
190
A64ac825509279a770c13c6fc517f11a?s=48 kawaguti
PRO
0
480

Featured

See All Featured
9375a9529679f1b42b567a640d775e7d?s=48 schacon
152
6.9k
8081b26e05bb4354f7d65ffc34cbbd67?s=48 chriscoyier
498
130k
Fe6b81005d1553accd6b2a28f6a2bef1?s=48 phodgson
92
4.2k
7edec06b5435e0dac07a353b2cc26253?s=48 geeforr
335
30k
433acaea1012b25d97ae66da9b998dad?s=48 malarkey
396
61k
78b475797a14c84799063c7cd073962f?s=48 holman
464
280k
016edace78ffe826f2348d1e0c504afd?s=48 maggiecrowley
16
900
864a009ac73600c7c02e1f26629dd989?s=48 paigeccino
4
180
053e75a5b48b44d6dd0612795dfb326d?s=48 notwaldorf
53
3.3k
1177e050db6bafe62885362edf6e3537?s=48 lauravandoore
18
2.1k
Ef32e0b1ac5082450dc8c1fca3a26b5c?s=48 cherdarchuk
78
270k
91cefdf141106fa10674aae74ce05890?s=48 yeseniaperezcruz
307
32k

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