⭐ Learning Journey

🎓 Formação Contínua em Dados, Estatística e Machine Learning

📘 Repositório central da minha jornada de aprendizado contínuo

• Foco
  • Estatística Aplicada
  • Data Science
  • Machine Learning
  • Engenharia de Dados
  • Lean Six Sigma
• Formato
  • Projetos práticos
  • Notebooks autorais
  • Companion Books
  • Documentação técnica

🧩 Resumo Executivo

Este repositório consolida minha jornada de aprendizado técnico e metodológico, reunindo:

• certificações formais
• projetos completos derivados de cursos
• notebooks autorais
• Companion Books escritos por mim
• práticas avançadas de ML, estatística e engenharia
• fundamentos de melhoria contínua e processos

O objetivo é demonstrar evolução contínua, conectando teoria, prática e documentação profissional.

🏷️ Badges (Shields) do Repositório

🧰 Stack Técnico Consolidado da Jornada

Este stack reúne todas as tecnologias, ferramentas e metodologias utilizadas ao longo dos meus projetos profissionais (Habix + Olimpo), estudos formais (FM2S, IBM) e projetos práticos (Kaggle, Machine Learning, Engenharia de Dados).

🧩 Linguagens e Processamento

• Python (Requests, Pandas, NumPy, PyArrow, SciPy)
• SQL avançado (CTEs, índices, funções, joins complexos)
• DAX (modelagem tabular e medidas avançadas)
• M (Power Query)

🗄️ Bancos de Dados e Armazenamento

• PostgreSQL (modelagem, normalização, tuning)
• SQLServer (modelagem)
• Microsoft Fabric Lakehouse (Bronze → Silver → Gold)
• Azure Data Lake Storage Gen2
• Arquitetura Parquet
• CSV/JSON/Delta Lake (consumo e transformação)

🏗️ Engenharia de Dados

• Pipelines Python → Parquet → ADLS → Fabric
• Pipelines Bronze/Silver/Gold
• Docker (execução isolada, reprodutibilidade)
• WSL2 (ambiente Linux para engenharia)
• GitHub Actions (CI/CD)
• Versionamento semântico (tags)
• CLI Python customizada
• Logs, rastreabilidade e governança

🔌 Integrações e APIs

• Integração com APIs (ERP, CRM, cobrança, vendas)
• Projeto Sienge API Automation
• Autenticação, paginação, logs e tratamento de erros
• Pipelines de dados financeiros, comerciais e jurídicos

📊 Business Intelligence

• Dashboards executivos (FP&A, vendas, jurídico, inadimplência)
• Modelagem tabular
• Indicadores financeiros e operacionais
• Análises de variação, projeções e cenários

📈 Machine Learning e Estatística

• ML Intermediário (Kaggle)
• Explainability (Permutation Importance, PDP, SHAP)
• Estatística aplicada (IBM)
• Testes de hipótese, regressão, distribuições
• Pipelines e ColumnTransformer

🧪 Ambiente e Ferramentas

• Jupyter Notebook
• Git LFS
• Estruturação profissional de projetos
• Documentação técnica (Companion Books)

🧭 Metodologias e Processos

• Lean Six Sigma (Yellow Belt – FM2S)
• DMAIC
• Análise de causa raiz (Ishikawa, 5 Porquês)
• Padronização de processos
• Melhoria contínua
• Governança de dados

🎯 Cursos, Projetos e Certificações

📊 1. Statistics for Data Science with Python — IBM

Repositório: https://github.com/IncomeView/IBM_statistics

• Descrição

  • Ambiente completo de estudo, prática e documentação autoral do curso IBM.

• Política de Conteúdo

  • ✔ Notebooks autorais publicados
  • ❌ Notebooks IBM (1–6) ignorados por direitos autorais

• Tecnologias

  • Python
  • NumPy
  • Pandas
  • SciPy
  • Statsmodels
  • Matplotlib
  • Seaborn
  • Jupyter

🧠 2. Machine Learning Explainability — Kaggle

Repositório: https://github.com/IncomeView/kaggle_machineLearningExplainability

• Descrição

  • Estudo aprofundado sobre interpretabilidade de modelos.

• Conteúdo

  • Permutation Importance
  • PDPs
  • SHAP Values
  • Advanced SHAP

• Companion Book

  • docs/machineLearningExplainability_book.md

🤖 3. Intermediate Machine Learning — Kaggle

Repositório: https://github.com/IncomeView/kaggle_intermediateMachineLearning

• Descrição

  • Estudo completo + Companion Book autoral.

• Conteúdo

  • Missing Values
  • Categorical Variables
  • Pipelines
  • Cross-Validation
  • XGBoost
  • Data Leakage

• Companion Book

  • docs/intermediateMachineLearning_book.md

🧹 4. Data Cleaning com Python — Kaggle Learn

Repositório: https://github.com/IncomeView/kaggle_dataCleaning

• Descrição

  • Projeto completo de limpeza e preparação de dados.

• Conteúdo

  • Handling Missing Values
  • Scaling & Normalization
  • Parsing Dates
  • Character Encodings
  • Inconsistent Data Entry

• Tecnologias

  • Python
  • Pandas
  • NumPy
  • SciPy
  • fuzzywuzzy
  • charset-normalizer
  • Seaborn

🟡 5. Lean Six Sigma – Yellow Belt (FM2S)

Certificação concluída em 12/03/2026

• Descrição

  • Certificação Yellow Belt com 24h de carga horária, cobrindo:
    • fundamentos de melhoria contínua
    • variabilidade
    • análise de causa raiz
    • aplicação prática do ciclo DMAIC.

• Conteúdo Programático

  • Introdução ao Lean Seis Sigma
  • Fundamentos e pilares da melhoria
  • SIPOC, VOC e definição de indicadores
  • Mapeamento de processos e gráficos (Pareto, frequência, tendência, dispersão)
  • Análise de causa raiz (Ishikawa, 5 Porquês)
  • Ferramentas de Improve (Poka Yoke, padronização)
  • Controle e sustentação de melhorias

• Aplicações práticas na minha carreira

  • Redução de variabilidade
  • Padronização de processos
  • Melhoria contínua aplicada a operações financeiras e de dados
  • Estruturação de indicadores e governança

🚀 Roadmap de Aprendizado (2026–2027)

• Machine Learning Avançado
• Deep Learning (PyTorch)
• Feature Engineering
• MLOps
• Estatística Bayesiana
• Séries Temporais
• Lean Six Sigma Green Belt

📚 Objetivo do Repositório

• Este repositório serve como:
  • portfólio educacional
  • base de estudos contínuos
  • referência técnica
  • documentação da minha evolução profissional

Ele complementa meus dossiês profissionais (Habix e Olimpo) e meus projetos técnicos de engenharia de dados.