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

PyBR15 - Cada um Com Seu Modelo

Gabriel (Gabu) Bellon
October 26, 2019
Technology
1
130

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

Gabriel (Gabu) Bellon

October 26, 2019
Tweet

More Decks by Gabriel (Gabu) Bellon

See All by Gabriel (Gabu) Bellon
11º Meetup de Python JOI - Python e Comunidade
gabubellon
0
110
Afinal o que eu faço como Cientista de Dados
gabubellon
0
65
17º encontro da comunidade Data Science Joinville
gabubellon
0
77
9º Meetup de Python JOINVILLE Python colaborativo com o Google Colab
gabubellon
0
110
Data Science na ContaAzul
gabubellon
0
50
Experiência Python Brasil 14 - 2018
gabubellon
0
67

Other Decks in Technology

See All in Technology
コミュニティを活用した勉強習慣化.pdf
taketakekaho
1
250
PHP メモリ管理術
memory1994
PRO
2
850
JaSST Review 22 Introduction / JaSST Review'22 内容紹介
nihonbuson
0
170
Roslyn とその活用法
nenonaninu
2
290
Java SEの動向 2022夏版
chiroito
4
1.5k
LOWYAにおける負荷対策と高速化~GraphQL Caching on Amazon CloudFront with AWS Prototyping Program~
datahaikuninja
1
130
カラーミーショップの改善におけるSRE活動について
homirun
0
260
テスト設計のとき何を考えてるの？ QA2年生が語ってみるの
freee
0
140
KPTに慣れたチームがよりよい振り返りを行うために、K/P/Tのそれぞれにフォーカスをあてた考察
m3hiro3
11
3k
「いちユーザーがPHPに新機能を追加するまで/PHPConference 2022」
colopl
1
590
Building smarter apps with machine learning, from magic to reality
picardparis
4
3.3k
続CPUとは何か / What is a CPU continued
tomzoh
1
260

Featured

See All Featured
Dealing with People You Can't Stand - Big Design 2015
cassininazir
351
21k
GitHub's CSS Performance
jonrohan
1020
420k
From Idea to $5000 a Month in 5 Months
shpigford
374
44k
Become a Pro
speakerdeck
PRO
3
2.6k
Music & Morning Musume
bryan
35
4.4k
Creatively Recalculating Your Daily Design Routine
revolveconf
207
10k
Cheating the UX When There Is Nothing More to Optimize - PixelPioneers
stephaniewalter
270
12k
Why Our Code Smells
bkeepers
PRO
325
55k
The Language of Interfaces
destraynor
148
21k
The Invisible Side of Design
smashingmag
291
48k
Let's Do A Bunch of Simple Stuff to Make Websites Faster
chriscoyier
499
130k
Faster Mobile Websites
deanohume
294
29k

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