Este repositório reúne projetos práticos desenvolvidos com foco em Data Science, cobrindo as principais etapas do pipeline de dados: análise exploratória, estatística, machine learning e disponibilização de modelos.

Os projetos foram construídos com o objetivo de aplicar conceitos teóricos em problemas reais, reforçando boas práticas como validação de modelos, análise crítica dos resultados e clareza na comunicação dos insights.

Meu foco é atuar como Data Scientist Júnior, com forte interesse em aprendizado contínuo, tomada de decisão orientada a dados e resolução de problemas de negócio.

📁 MachineLearning/

Projeto de Machine Learning utilizando Filtragem Colaborativa com Matrix Factorization (SVD) aplicado ao dataset MovieLens 100k.

Destaques do projeto:

• Análise e preparação de dados de avaliações de usuários
• Treinamento de modelo SVD com validação por RMSE
• Geração de recomendações personalizadas (Top-N)

Competências demonstradas: Machine Learning clássico, avaliação de modelos e recomendação personalizada

📁 Recommender_API/

Extensão do projeto de recomendação, com foco em disponibilizar o modelo treinado por meio de uma API, simulando um cenário de uso real.

Destaques do projeto:

• Carregamento de modelo previamente treinado
• Criação de endpoints para geração de recomendações
• Uso de Docker para padronização do ambiente
• Separação entre treinamento e consumo do modelo

Competências demonstradas: Integração entre Data Science e Engenharia, noções de MLOps e entrega de modelos para consumo externo.

📁 Testing/

Projeto voltado para análise estatística, com foco em testes de hipótese e A/B Testing, simulando decisões orientadas por dados.

Destaques do projeto:

• Definição clara de hipóteses nula e alternativa
• Aplicação de testes estatísticos adequados ao cenário
• Interpretação dos resultados com foco em tomada de decisão
• Discussão de significância estatística e limitações

Competências demonstradas: Estatística aplicada, raciocínio analítico e suporte à decisão baseada em dados.

📁 Exploratory Data Analysis/

Projeto focado em Exploratory Data Analysis, etapa essencial para compreensão dos dados antes de qualquer modelagem.

Destaques do projeto:

• Limpeza e tratamento de dados
• Análise de distribuições e correlações
• Visualizações para identificação de padrões e anomalias
• Geração de insights iniciais

Competências demonstradas: Compreensão de dados, visualização, storytelling com dados e preparação para modelagem.

• Python
• Pandas, NumPy
• Matplotlib, Seaborn
• Scikit-learn / Scikit-surprise
• Docker
• Git e GitHub

Atuar como Data Scientist Júnior, contribuindo com análises, modelos e insights que apoiem decisões de negócio, enquanto desenvolvo continuamente minhas habilidades técnicas e analíticas.