Analista de Risco Social, Ambiental e Climático
Sicredi Estágio
- Treinamento e refinamento de modelos de machine learning e de modelos analíticos de previsão.
- Automação e análise de rotinas.
- Análise e apresentação de dados.
Atualmente no Sicredi · Porto Alegre, RS
Davi Augusto
Cientista de dados & estatístico em formação.
Gosto de transformar problemas reais em perguntas que os dados conseguem responder. Atuo de ponta a ponta, da coleta e preparação dos dados à modelagem com machine learning e IA, sempre com rigor estatístico e comunicação clara dos resultados.
In [1]: LinearRegression().fit(X, y)
Clique para adicionar pontos · arraste para mover
In [1]: davi.info()
Sobre mim
davi.info()
- local
- Porto Alegre, RS
- formacao
- Estatística @ UFRGS
- atual
- Sicredi (estágio)
- stack
- Python · R · SQL
- foco
- Data Science · ML · IA · ML Engineering
- idiomas
- português · inglês
Sou estudante de Estatística na UFRGS, com formatura prevista para dezembro de 2026. Comecei em 2019 como aprendiz de programação no Grupo RBS, já fazendo relatórios e dashboards, e desde então fui indo para onde o código encontra a estatística: análises, KPIs, dashboards e modelos preditivos, passando pela EVCOMX e pela Auroque Investimentos.
Hoje estou no Sicredi, na área de Risco Social, Ambiental e Climático, treinando e refinando modelos de machine learning e de previsão e automatizando rotinas de análise. No TCC, investigo o que faz um jogo ser popular na Steam, com mais de 170 mil apps coletados via API.
Gosto de análise reprodutível: código, texto e resultado lado a lado, para que qualquer pessoa consiga conferir como cheguei em cada número.
Competências e ferramentas
Linguagens e ferramentas
- Python
- R
- SQL
- SAS
- Databricks
- Git
- Jupyter
- Quarto
- R Markdown
Machine learning e IA
- scikit-learn
- TensorFlow
- Keras
- PySpark
- statsmodels
- spaCy
Modelagem
- Regressão linear e logística
- GLMs (Poisson, Binomial Negativa)
- Random Forest
- Gradient Boosting
- Redes neurais
- Séries temporais
- Clustering
- PCA
- NLP
Estatística
- Inferência
- Testes de hipótese
- Bootstrap
- Amostragem
- Análise multivariada
- Estatística espacial
Soluções
- Modelos preditivos
- Forecasting
- Dashboards
- KPIs
- Automação de rotinas
- Coleta de dados via API
- Apps de dados
Dados e visualização
- pandas
- NumPy
- Matplotlib
- Seaborn
- Plotly
- ggplot2
- Streamlit
In [2]: df_experiencia.head()
Experiência
Quatro empresas desde 2019, do desenvolvimento full-stack à ciência de dados.
- Trabalho
- Formação
- hoje
Inteligência de Dados
Auroque Investimentos Estágio
- Desenvolvimento e manutenção de bancos de dados, garantindo integridade e eficiência na gestão dos dados.
- Criação de dashboards interativos em Python e Streamlit.
- KPIs personalizados para monitoramento de desempenho, apoiando decisões estratégicas.
- Limpeza e filtragem de dados, melhorando a qualidade das bases.
Ciência de Dados
EVCOMX Estágio
- Análises em Python para identificar tendências e padrões, gerando insights para a empresa.
- Modelos de machine learning para predição e análise de cenários.
- KPIs de monitoramento de desempenho, contribuindo para a melhoria contínua dos processos.
- Análises estatísticas e descritivas, com limpeza e filtragem de dados.
Programador de Sistemas
Grupo RBS Aprendiz
- Desenvolvimento full-stack com foco em soluções de análise de dados em R e Python.
- Relatórios e dashboards de visualização de dados com ferramentas de BI.
- Aplicação de técnicas estatísticas para apoiar decisões estratégicas.
In [3]: projetos.nlargest(5, "impacto")
Projetos
Da coleta de dados à comunicação dos resultados, um pouco do que venho construindo.
TCC · Estatística UFRGS
em andamentoPopularidade de jogos na Steam
Pipeline completo, da coleta à modelagem, para prever quantas avaliações um jogo recebe na Steam a partir das suas próprias características, como gênero, preço, plataformas e o texto da descrição.
- apps coletados via Steam Web API
- 171.769
- prever se o jogo recebe avaliação (gradient boosting)
- AUC 0,899
- Coleta resiliente com checkpoints atômicos que retoma de onde parou; 118 mil jogos na base curada.
- Divisão temporal entre treino e teste e modelo de barreira (hurdle) para os 20,6% de jogos sem nenhuma avaliação.
- GLM Poisson contra Binomial Negativa (superdispersão, teste de razão de verossimilhanças). Próxima etapa, a modelagem com redes neurais (RLMP).
Outros projetos
Palmer Penguins: inferência para uma população
Trabalho em grupo de Introdução à Inferência (UFRGS) com análise descritiva, intervalos de confiança, bootstrap e testes de hipótese, apresentado em Quarto.
Uso de celulares: duas populações
Comparação de proporções entre duas populações com intervalos de confiança e testes de hipótese, também em R e Quarto.
Apps de NLP com Streamlit
Dois apps para praticar NLP e deploy. Um faz análise estatística de textos em PDF, DOCX e TXT; o outro gera resumos automáticos.
Mais no GitHub
Ver todos os repositórios- Redes neurais do zero Notas e código em Python puro
- Modelos lineares Seminário de regressão múltipla
- Estatística espacial Seminário de geoestatística
- Idades no Titanic Imputação de idades com regressão linear
- Data science na DataCamp Notas e projetos dos cursos
- Análise de vinhos Estatística descritiva em R
In [4]: historico = davi.fit(cursos)
Formação
– (previsão)
Bacharelado em Estatística
UFRGS · Universidade Federal do Rio Grande do Sul
- TCC: Análise preditiva da popularidade de jogos na Steam utilizando redes neurais, com orientação do Prof. Dr. João Henrique Ferreira Flores.
- Assessoria estatística pelo NAE (Núcleo de Assessoria Estatística), na disciplina de Laboratório 2.
- Disciplinas com projetos no GitHub: Inferência, Modelos Lineares, Análise Multivariada, Amostragem, Estatística Espacial e Métodos Computacionais.
Cursos e certificações
AI Engineer for Data Scientists Associate
Data Science, Machine Learning com Python
Formação Cientista de Dados: O Curso Completo
Estatísticas: conceitos e representações
Inglês
In [5]: blog.head()
Blog
Notas sobre estatística e ciência de dados, com código.
Como Preparar uma Regressão Linear?
Construindo uma regressão linear simples à mão em Python (mínimos quadrados, R², RMSE e regra empírica) e conferindo os resultados com statsmodels e scikit-learn.
In [6]: davi.contato(assunto="oportunidade")
Vamos conversar?
Estou aberto a conversas sobre dados, estatística e oportunidades em ciência de dados. O jeito mais rápido de falar comigo é por e-mail ou LinkedIn.