Health Insurance – API de Propensão à Compra de Seguro Saúde
Este projeto tem como objetivo prever a propensão de clientes adquirirem um seguro de saúde complementar, com base em características demográficas, comportamentais e histórico de seguro. Para isso, foi construído um modelo de machine learning e uma API em Flask, implantada no Heroku.
A API recebe os dados do cliente, realiza o pré-processamento e retorna um score de propensão à conversão. O modelo foi treinado com base nos dados públicos da competição do Kaggle "Health Insurance Cross Sell Prediction". Além da API, foi criada uma integração com Google Sheets para facilitar o uso da solução em ambiente educacional e corporativo.
As ferramentas utilizadas foram:
- Git e Github
- Python (Pandas, Scikit-Learn, Logistic Regression)
- Google Colab e Jupyter Notebook
- Flask
- Heroku
- Google Apps Script
Rossmann Store Sales – API de Previsão de Vendas de Lojas
Este projeto consiste na construção de uma API em Flask integrada a um modelo de machine learning, treinado para prever as vendas de lojas Rossmann com base em dados históricos e atributos como promoções, feriados, tipo de loja e distância da concorrência.
O modelo de machine learning foi treinado e serializado previamente utilizando XGBoost e técnicas de pré-processamento com scikit-learn. A solução engloba todo o pipeline: limpeza, engenharia e preparação dos dados, treinamento do modelo, serialização com Pickle e implantação em produção.
As ferramentas utilizadas foram:
- Git e Github.
- Python (Pandas, NumPy, Scikit-Learn, XGBoost)
- Google Colab e Jupyter Notebook.
- Flask
- Heroku
- Pickle
Fome Zero Dashboard – Painel Gerencial para Negócio de Restaurantes com Streamlit
Este projeto consiste em um dashboard interativo desenvolvido com Streamlit e visualizações em Plotly e Altair, que permite a exploração detalhada de dados de restaurantes de diversos países, com foco em avaliações, tipos de culinária, custo médio e presença online (delivery e reservas).
O projeto tem como objetivo simular uma plataforma de análise comparativa de restaurantes, permitindo insights para tomada de decisão em food service, turismo e experiência gastronômica.
As ferramentas utilizadas foram:
- Git e Github.
- Python (Pandas, Numpy)
- Google Colab.
- Streamlit
- Plotly Express, Altair, Pillow (PIL)
Análise dos principais fatores que influenciam o Índice de Educação da Básica (IDEB)
Neste projeto foram aplicados modelos de machine learning e técnicas de seleção de atributos para identificar os principais fatores que influenciam o desempenho do IDEB entre estudantes do 3º ano do ensino médio. A análise utilizou dados do IDEB, informações socioeconômicas dos estudantes provenientes do SAEB e dados sobre as condições de trabalho dos professores e a infraestrutura das escolas extraídos do Censo Escolar.
Ao identificar as variáveis com maior impacto nas notas do IDEB das escolas, o projeto oferece insights que podem orientar políticas públicas voltadas à melhoria dos resultados educacionais. Esses achados são especialmente relevantes para iniciativas federais que buscam manter um alto desempenho no IDEB em todo o país
As ferramentas utilizadas foram:
- Git e Github.
- Python, Pandas, ScikitLearn
- Google Colab.
- SVM, KNN, Random Forest, Naive Bayes, Logistic Regression
- Feature selection techniques
