PyBR15 - Cada um Com Seu Modelo

6e3e4d5b447ebd1796eeedfd91bd92f1?s=47 Gabriel (Gabu) Bellon
October 26, 2019
Technology
1
77

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
37
6e3e4d5b447ebd1796eeedfd91bd92f1?s=48 gabubellon
0
23
6e3e4d5b447ebd1796eeedfd91bd92f1?s=48 gabubellon
0
75
6e3e4d5b447ebd1796eeedfd91bd92f1?s=48 gabubellon
0
34
6e3e4d5b447ebd1796eeedfd91bd92f1?s=48 gabubellon
0
40
6e3e4d5b447ebd1796eeedfd91bd92f1?s=48 gabubellon
0
53

Other Decks in Technology

See All in Technology
Cfd6a7b025c390205d1dd8765230bca1?s=48 kiwi26
3
580
D23038f2959ee154ff854f504989c9a0?s=48 shopetan
0
220
5bbbb20da49b1f802af50b0f17a4f31f?s=48 miuranobuki
0
970
6f36ff3943be908c5d2259f4aef09ea6?s=48 rela1470
1
480
6ca998e3a07596f141597da0d2983ecc?s=48 0si43
2
170
229b1596ce57cd0935a2bacd410d87a0?s=48 aaaddress1
0
290
9e7a653ed313b3da4b263a772bfc5026?s=48 clustervr
0
330
404b6b310d5fc7680a62ef09a463a794?s=48 yutakakinjyo
0
430
Cb88f765dd38cd942c39aacb5abbea06?s=48 ufoo68
0
110
Cd931bc05e7cee46b9a950a63e47ba4c?s=48 you
0
120
F866c47f0761aac633225b6919538e1c?s=48 matsuji
8
200
D1b28ca276bee52e56ba11785f70d2d6?s=48 makocchi
2
330

Featured

See All Featured
A9704266587836f7e784235e5073b93e?s=48 jmmastey
2
240
Eb8975af8e49e19e3dd6b6b84a542e26?s=48 qrush
282
18k
Af6a12710770ad9a7cfd08c97efd40d3?s=48 pedronauck
648
110k
D09fad3e36ae6841f54820be0e907f7a?s=48 rocio
154
11k
39488f9d172ab92fd352f2cd7b73258d?s=48 mza
80
3.9k
15f2b8221f247985a27a627d2ece72f0?s=48 pauljervisheath
193
15k
E43f8dfd01057f8304f5f8fb9a294d7d?s=48 jeffersonlam
324
14k
4262b9cfacfb6b2c77f23e1d0310cd3e?s=48 myddelton
104
10k
F57e2136eb9895eb95ff5dc8a1c02677?s=48 zakiwarfel
87
3.2k
1b8ad785acdd1ce1c99914b1c2a4e10e?s=48 sugarenia
230
770k
A9a491b0fcbe0fbce3d64063a37add99?s=48 rmw
8
590
E190023b66e2b8aa73a842b106920c93?s=48 zenorocha
296
39k

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