🌐 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

• Scope: Full-stack Data Science project (ETL -> Modeling -> Web App) predicting Copa do Brasil outcomes.
• Pipeline: Automated data ingestion from APIs, Feature Engineering (Rolling Averages), and Random Forest modeling.
• Outcome: Deployed interactive Streamlit app with CI/CD, creating a usable product from raw data.
• Tech: Python Scikit-Learn Streamlit Plotly RapidAPI

• Scope: Educational ML library built from scratch for learning core algorithms.
• Contents: KNN, linear/logistic regression, preprocessing, optimization, and stats utilities.
• Tech: Python

• 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)

• Scope: Interactive numerical computing lab for root-finding methods with visual animations.
• Tech: Python FastAPI React TypeScript

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

• Escopo: Projeto Full-stack de Data Science (ETL -> Modelagem -> Web App) prevendo resultados da Copa do Brasil.
• Pipeline: Ingestão automatizada de APIs, Engenharia de Features (Médias Móveis) e modelagem com Random Forest.
• Resultado: Dashboard interativo em Streamlit com CI/CD, transformando dados brutos em produto utilizável.
• Tecnologias: Python Scikit-Learn Streamlit Plotly RapidAPI

• Escopo: Biblioteca educacional de ML implementada do zero para estudo.
• Conteúdo: KNN, regressões linear/logística, pré-processamento, otimização e estatística.
• Tecnologias: Python

• 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)

• Escopo: Laboratório interativo para métodos de busca de raízes com animações visuais.
• Tecnologias: Python FastAPI React TypeScript

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