leandrofranchina Goto Github PK

👋 Hola, soy @LeandroFranchina

📫 En esta página podrán encontrar todos mis proyectos de Data Science.

💼 Entre ellos, se incluyen dos trabajos realizados en el marco de Acámica y tres trabajos en Henry.

📚 ACÁMICA :

1. El primer trabajo consta del diseño de un modelo predictivo para inferir el precio de una propiedad. Para ello, se trabajó con un dataset provisto por Properati. Este proyecto se conforma de las siguientes etapas:

• Análisis Exploratorio de Datos
• Preprocesamiento de datos
• Implementación de modelos avanzados de boosting y bagging
• Interpretación de los modelos

2. En el segundo trabajo, también en el marco de Acámica, se elabora un sistema de recomendación de videojuegos para la plataforma Steam. A continuación, se alistan las herramientas y prácticas empleadas:

• Análisis Exploratorio de Datos
• Preprocesamiento de datos
• Cold start: recomendación de videojuegos más populares
• Modelo Benchmark con SVD
• Filtro colaborativo basado en usuarios
• Evaluación del modelo y optimización de hiperparámetros

📚 HENRY :

3. Aquí se diseñó un pipeline en Pyhton, donde se automatiza todo el proceso de normalización de las tablas de una empresa, destacando clientes, ventas, sucursales, localidades, vendedores, entre otras. En esta instancia, se contemplaron tanto las cargas iniciales como las incrementales. Por otra parte, se crearon KPIs solicitados y se realizó una recomendación al área de datos con la localidad en la cual se debería abrir una sucursal.

4. Proyecto del rubro financiero donde se crea un reporte de calidad de datos, informe y visualizaciones del índice s&p500. Aquí se evalúa cuáles son las acciones donde se podría realizar una inversión, tanto si se espera una rentabilidad al corto plazo como al largo plazo.

5. Proyecto final elaborado grupalmente, con la colaboración de Mauro Perez, Marcos Audisio y Juan Cruz Almirón. En este trabajo se elaboró un ETL para la compañía brasilera Olist, diseñando un Data Warehouse on premise y otro on cloud en Microsoft Azure. En una posterior instancia, se pusieron en producción varios modelos de machine learning, con el objetivo de inferir el nivel de ventas del próximo semestre. Para ello, se realizó un abordaje desde el marco de las series de tiempo y se alcanzó el mejor modelo con el algoritmo Prophet. En la etapa final de Data Analytics, y posterior a un exhaustivo estudio del negocio y el mercado, se seleccionaron una serie de KPIs y se elaboraron diversos dashboards utilizando, para este fin, Power BI.