matheus portfolio

O Conjunto de Dados sobre Comportamento do Consumidor e Hábitos de Compras oferece a possibilidade de insights abrangentes sobre as preferências, tendências e padrões dos consumidores em locais dos Estados Unidos durante suas experiências de compras. Este conjunto de dados abrange uma variedade de variáveis, incluindo informações demográficas, histórico de compras, preferências de produtos, frequência de compras e comportamento em geral.Dessa forma, objetiva-se explorar as complexidades dos processos de tomada de decisão do consumidor, afim de gerar insights a respeitos dos dados, podendo auxiliar as empresas na criação de estratégias de marketing direcionadas, na otimização de ofertas de produtos e no aprimoramento geral da satisfação do cliente. Link documentação:  Github

Prevendo o Consumo de Cerveja com Regressão Linear: Uma Aplicação Prática em São Paulo Link do projeto:  github Código documentado:  link Neste projeto, exploramos uma aplicação real de Machine Learning utilizando a técnica de Regressão Linear para prever o consumo de cerveja com base em variáveis climáticas e temporais. O objetivo é construir um modelo preditivo capaz de estimar o volume médio de cerveja consumido em determinado dia, considerando fatores como temperatura, precipitação e se é final de semana. Os dados utilizados foram coletados em São Paulo, mais especificamente em uma área universitária, onde o público jovem tende a apresentar hábitos de consumo bastante influenciados por clima e calendário. A base de dados inclui as seguintes variáveis: Temperatura média, mínima e máxima (°C) Chuva (mm) Indicador de final de semana (1 para sim, 0 para não) Consumo de cerveja (em litros), que é a variável-alvo Juntamente a análise exploratória, seguimos com grá...

Prevendo direção do mercado financeiro Link do projeto:  pasta Arquivo ipynb:  código documentado Neste projeto, desenvolvemos um modelo de aprendizado de máquina usando o algoritmo KNN (k-vizinhos mais próximos) para prever a direção do mercado financeiro — se ele irá subir ("Up") ou cair ("Down") — com base no comportamento dos retornos dos últimos dias e o volume negociado. Etapas realizadas : Preparação dos dados: Carregamos um conjunto de dados históricos do mercado, contendo retornos de até 5 dias anteriores, o volume de ações negociadas e a direção diária do mercado. Divisão em treino e teste: Separamos os dados em 80% para treino e 20% para teste, garantindo que pudéssemos avaliar o modelo com dados nunca vistos por ele. Normalização: Aplicamos a padronização (centralização e escalonamento) apenas às variáveis numéricas, para que todas tivessem a mesma importância no modelo. Criação e validação do modelo: Usamos validação cruzada repetida com várias combinaç...

 Link do projeto:  Previsão Preços Pizza Este é um projeto simples, mas que possui fundamentos básicos para a regressão linear (envolvendo eixos x e y, com fortes implicações para previsão). Utilizamos uma base de dados simples, com duas colunas, diametro e preço. E para verificar se há correlação entre os dois elementos, criamos um gráfico para que isso fique claro: O que também pode ser verificado pela formula: preço = a + diametro * b Por fim, executamos o modelo, e obtemos o valor do preço de acordo com o diâmetro escolhido:

Importância do PCA A r edução de dimensionalidade utilizando o algoritmo PCA (Principal Component Analysis) é uma técnica usada para simplificar conjuntos de dados com muitas variáveis (dimensões), mantendo o máximo de informação possível. Em termos simples : O PCA transforma os dados originais em um novo conjunto de variáveis chamadas componentes principais , que são combinações lineares das variáveis originais. Esses componentes são ordenados de forma que: - o   primeiro componente explique a maior parte da variabilidade nos dados;  - o  segundo componente explique a maior parte da variabilidade restante , e assim por diante. Assim é possível  manter apenas os primeiros N componentes , reduzindo a dimensionalidade com perda mínima de informação. Vantagens da utilização do PCA Reduz o ruído e a complexidade dos dados. Facilita visualizações  de dados originalmente com muitas variáveis. Melhora desempenho de modelos de machine learning , especialmente...

No início de 2021, durante o curso de Economia, na Universidade Estadual de Montes Claros, ocupava boa parte do meu tempo em leituras que pudessem dar suporte ao meu trabalho de conclusão de curso, que era algo como "O impacto dos times de futebol na economia regional". A apresentação do projeto era dividido em três partes, um a cada semestre, sendo a última a responsável pela atribuição da nota final (e consequentemente a aprovação como bacharel do curso). Enfrentei diversas dificuldades nessa pesquisa, uma vez que as equipes de futebol são bastante rigorosas no que diz respeito a compartilhar informação com o público. Com os escassos dados ao meu dispor, utilizei a ferramenta RStudio para tentar tirar conclusões a partir da regressão linear, ou econometria (como é chamada na área da Economia, em poucas palavras), tentando verificar a hipótese de que um time de futebol em uma região e uma economia regional saudável possuem correlação positiva, porém os resultados eram insati...