Share
Embed
Slide 1
Slide 1 text
No content
Slide 2
Slide 2 text
No content
Slide 3
Slide 3 text
mil problemas
• n < 100 (a Caixa sozinha tem 70% dos financiamentos!)
• amostras dropadas sem explicação
• variáveis codificadas incorretamente
• avaliadores não têm a menor idéia do que estão fazendo
• sabem apenas operar o software
• usam approach econométrico p/ problema de machine learning
• não estamos interessados nos β, estamos interessados nos ŷ
Slide 4
Slide 4 text
No content
Slide 5
Slide 5 text
No content
Slide 6
Slide 6 text
No content
Slide 7
Slide 7 text
No content
Slide 8
Slide 8 text
• anúncios de venda de apartamentos residenciais no DF e GO
• n = 15 mil
• y = preço
• X = features extraídas do anúncio
• área útil, localização, vagas, etc
Slide 9
Slide 9 text
No content
Slide 10
Slide 10 text
No content
Slide 11
Slide 11 text
No content
Slide 12
Slide 12 text
imóveis funcionais
• usei o modelo p/ precificar 1626 imóveis da União no Plano Piloto
• preço médio de R$ 1.1 milhão
• preço total de R$ 1.81 bilhão
Slide 13
Slide 13 text
desafios de fazer data science no governo
• dados são sujos
• ComprasNet (preços errados, classificações erradas)
• RAIS (salários errados, ocupações erradas)
• vacinados (3+ doses)
• adoção exige convencimento
• governo atrai risco-avessos
• desconfiança com resultados não-interpretáveis
• mas é divertido :-)
Slide 14
Slide 14 text
http:/thiagomarzagao.com
@tmarzagao