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
110

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
75
6e3e4d5b447ebd1796eeedfd91bd92f1?s=48 gabubellon
0
40
6e3e4d5b447ebd1796eeedfd91bd92f1?s=48 gabubellon
0
75
6e3e4d5b447ebd1796eeedfd91bd92f1?s=48 gabubellon
0
74
6e3e4d5b447ebd1796eeedfd91bd92f1?s=48 gabubellon
0
46
6e3e4d5b447ebd1796eeedfd91bd92f1?s=48 gabubellon
0
58

Other Decks in Technology

See All in Technology
B84123138372542a55401c92b170b528?s=48 hassaku63
1
840
10c17b2a6e7687c9b039c5c8f9958495?s=48 missasan
2
750
58ed7368f1de80df0b380087b19a4ac1?s=48 sugarcrm
PRO
0
160
3383368c2bd31bbc7cc9c6043e335e09?s=48 rmanzoku
0
190
4756285958b3bd553b49ed5ba544ec23?s=48 fasahina
0
320
8bc2f1f5bfb8ed1f79492bfa7da6ddb1?s=48 hichikawa1126
1
280
842515eaf8fbb2dfcc75197e7797dc15?s=48 sat
0
350
Dc20c893cac0daddd607dfc9a5855d27?s=48 amarelo_n24
1
140
1741a7877b6ff93bf29af4d11c2c895e?s=48 ryan403
0
150
Eeac2f3b51b69b3cd6fb14ed348f0c6e?s=48 limes2018
0
110
4924e08c88a442edbffd87b91cb45131?s=48 zaki_lknr
0
510
Bf5ee9059859ed5d855b5ff4680e63e2?s=48 track3jyo
2
120

Featured

See All Featured
5ce91fa49a613cbc3e20d5f96856473f?s=48 edds
56
9.5k
2f5463832ccb768ccb4a1ca3607c27ef?s=48 jacobian
260
20k
3ab1249be442027903e1180025340b3f?s=48 reverentgeek
33
2.3k
C9b18d9dff88a9dd2393364c2b3b21bd?s=48 colly
69
3.1k
B3d6434763caa0ef5dc4b792662c49f7?s=48 smashingmag
235
18k
6bb82b13cda86d3b821fa44100335ddf?s=48 thoeni
6
780
Aff5641764408271f7bc398f2097edd0?s=48 denniskardys
222
120k
15f2b8221f247985a27a627d2ece72f0?s=48 pauljervisheath
195
16k
027d1ebf66cc039a0bd3b55eeadbe75d?s=48 sachag
448
36k
A9704266587836f7e784235e5073b93e?s=48 jmmastey
19
4.9k
96270e4c3e5e9806cf7245475c00b275?s=48 addyosmani
496
110k
C44e1f7e22c3f23cff7bc130871047ef?s=48 eileencodes
117
26k

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