Skip to content
View esscova's full-sized avatar
  • Nova Iguaçu, RJ

Block or report esscova

Block user

Prevent this user from interacting with your repositories and sending you notifications. Learn more about blocking users.

You must be logged in to block users.

Please don't include any personal information such as legal names or email addresses. Maximum 100 characters, markdown supported. This note will be visible to only you.
Report abuse

Contact GitHub support about this user’s behavior. Learn more about reporting abuse.

Report abuse
esscova/README.md

Hey! Nice to see you.

Hi, I'm Wellington, Data Scientist & Engineer

Things I code with

Python R Nodejs React Docker SQLite MySQL PostgreSQL Linux Visual Studio Code


Updates

Whatsapp AI chatbot

Um chatbot inteligente para WhatsApp desenvolvido com Python, que utiliza modelos de inteligência artificial para fornecer respostas automáticas e interações contextuais.

Plant growth simulator

Um aplicativo web interativo que simula o crescimento de plantas com base em fatores ambientais, utilizando Planejamento de Experimentos (DOE) e modelagem estatística.

Análise de experimento

Este projeto apresenta um experimento de planejamento de experimentos para otimizar a receita de cupcakes de um cliente. Nosso objetivo é entender como a quantidade de farinha e chocolate afeta o número de cupcakes produzidos (porções). Usando um planejamento fatorial, pode-se analisar os dados com estatística e criar visualizações interativas em Python com: pyDOE2, pandas, seaborn, matplotlib, statsmodels, scipy e numpy.

Ranking Socioeconômico dos Distritos de São Paulo com PCA

Análise de distritos de São Paulo usando PCA para criar um ranking socioeconômico, com visualizações em mapas interativos. Utilizando Machine Learning, manipulação de dados e geoespacialização com Python, Scikit-learn, Geopandas , Folium e Streamlit.

Dashboard de Vendas

Dashboard interativo de visualização de vendas, desenvolvido com Streamlit, Pandas, e Plotly. Ele permite analisar as vendas de produtos em diferentes regiões, períodos, vendedores e categorias. Utiliza dados fictícios de 2020 a 2023 para fornecer insights sobre receita, quantidade de vendas e performance de vendedores.


Where to find me

Github LinkedIn

Pinned Loading

  1. ML-DL ML-DL Public

    Jupyter Notebook