🌐 Scroll down to keep reading this README in English or Click here for Pt-br version --> Versão em Português  

🔍 "Building robust data pipelines and interpretable ML models — from theory to production."   📌 Currently: Data Engineering Intern @ BBTS (Banco do Brasil Tecnologias e Serviços)   🌱 Focus: End-to-end Data Projects (ETL → ML → MLOps) + Backend Development  

• Data Engineering/MLOps:   -  Python   -  SQL   -  ETL   -  Spark   -  Azure Databricks   -  Azure Data Factory   -  Azure DevOps

• ML:   - Scikit-learn   - Feature Engineering   - Statisticss   - Validation   - Azure Databricks

• Visualization:   - Power BI   - Matplotlib & Seaborn   - Excel   - Plotly

• Backend:   - FastAPI   - Flask   - PostgreSQL   - System Design

• Numerical:   - C   - Algorithms   - Optimization   - Numerical Methods

• Challenge: Kaggle dataset contained label errors in target variable
• Solution: Manual label correction + SMOTE after train-test split
• Results: 96% Accuracy | F1-score 0.96
• Tech: Pandas SMOTE GridSearch Pipeline Design

• Approach: Combined hypothesis testing (Chi², Mann-Whitney) with neural networks
• Insights: Age > 40 doubles churn risk | German customers churn more
• Results: 67% Recall | 82% Accuracy
• Tech: SciPy TensorFlow SHAP Statistical Validation

• Dual Approach: Linear regression + price classification (business-interpretable)
• Key Findings: +R$24.03/m² | -R$51.10/km from center
• Results: R² 0.82 | Classification Accuracy 84%
• Tech: StatsModels Matplotlib Business Rules

• X-Men Management System     Full CRUD for mutant academy with relational DB design (FastAPI SQLAlchemy Tkinter UI)

• TaskMaster     Collaborative task manager with priority queues (Python Flask Business Rules & SQL)

Implemented algorithms from Burden & Faires:   Equation Solving | Numerical Linear Algebra | Eigenvectors and Eigenvalues | Linear and Nonlinear Systems | ODEs  🔗 Repository

• ML with Engineering Rigor: Focus on reproducible pipelines over one-off models  
• Cloud-Native Approach: Leverage Azure stack for scalable data solutions  
• Production Mindset: From notebooks to deployable systems (learning MLOps)  
• Full Pipeline Awareness: From raw data to business insights  

📫 Let's connect: LinkedIn | jonashonorato4@gmail.com  

🔍 "Construindo pipelines robustos e modelos de ML interpretáveis — da teoria à produção."   📌 Atualmente: Estagiário em Engenharia de Dados @ BBTS (Banco do Brasil Tecnologias e Serviços)   🌱 Foco: Projetos end-to-end (ETL → ML → MLOps) + Desenvolvimento Backend  

[](https://holopin.io/@jonasmelo21)

Engenharia de Dados   Python | SQL | ETL | Spark | Databricks | Azure Data Factory  

ML/MLOps   Scikit-learn | Engenharia de Features | Validação Estatística | Jupyter Notebooks | Azure Databricks  

Visualização de Dados   Power BI | Matplotlib & Seaborn | Excel | Plotly  

Backend   FastAPI | Flask | PostgreSQL | Design de Sistemas | Azure DevOps  

Computação Numérica   C | Algoritmos | Otimização | Cálculo Numérico | Álgebra Linear Numérica  

• Desafio: Dataset do Kaggle continha erros nos rótulos da variável alvo
• Solução: Correção manual + SMOTE após divisão treino-teste
• Resultados: 96% Acurácia | F1-score 0.96
• Tecnologias: Pandas SMOTE GridSearch Pipelines

• Abordagem: Testes de hipótese (Qui², Mann-Whitney) combinados com redes neurais
• Insights: Idade > 40 dobra risco de churn | Clientes alemães saem mais
• Resultados: 67% Recall | 82% Acurácia
• Tecnologias: SciPy TensorFlow SHAP Validação Estatística

• Abordagem Dupla: Regressão linear + classificação de preços (interpretável)
• Coeficientes: +R$24,03/m² | -R$51,10/km do centro
• Resultados: R² 0.82 | Acurácia 84%
• Tecnologias: StatsModels Matplotlib Regras de Negócio

• Sistema X-Men     CRUD completo para academia de mutantes com banco relacional (FastAPI SQLAlchemy Tkinter UI)

• TaskMaster     Gerenciador de tarefas colaborativo com filas de prioridade (Python Flask Regras de Negócio)

Algoritmos implementados do livro Burden & Faires:   Solução de Equações | Álgebra Linear Numérica | Autovetores e Autovalores | Sistemas Lineares e Não Lineares | EDOs   🔗 Repositório

• Rigor em Engenharia de ML: Pipelines reprodutíveis em vez de modelos isolados  
• Abordagem em Nuvem: Uso do stack Azure para soluções escaláveis  
• Mentalidade de Produção: Do notebook à implantação (aprendendo MLOps)  
• Visão do Pipeline Completo: Dados brutos até insights de negócio  

📫 Vamos conversar: LinkedIn | jonashonorato4@gmail.com