Thanks to visit codestin.com
Credit goes to github.com

Skip to content

jampani1/jampani1

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

20 Commits
 
 

Repository files navigation

E aí! 👋

Biólogo e apaixonado por lógica, programação e dados.
Durante minha primeira graduação me envolvi em diversos projetos, sendo que o mais significativo para mim se tornou meu Trabalho de Conclusão de Curso, onde pude montar e anotar ineditamente o genoma mitocondrial de Neophysopella tropicalis.



🚀 No que estou focado agora:

  • ⚙️ Back-end & Cloud:

    • Aprimorando em C# e .NET ao arquitetar e desenvolver meu projeto pessoal relacionado à um preditor de rounds de um jogo mobile, meu principal projeto de API. Tatics Forge incoming.
    • Estudando fundamentos de Cloud Computing (Infraestrutura, Deployment e Segurança) na trilha de estudo DevOps | Basics na Ada Tech.
  • 📊 Data & Business Intelligence:

    • Imerso no bootcamp de BI da DIO em colaboração com a Klabin, com foco prático em Power BI, SQL e Excel para análise de negócios.
    • Evoluindo em Python para Análise de Dados, aplicando bibliotecas como Pandas e Scikit-learn.
  • 🎨 Front-end:

    • Construindo meu Portfólio Pessoal com Next.js e Tailwind CSS para centralizar meus projetos.
    • Aplicando conceitos como Sass e outros relacionados à design responsivo durante a formação Empower VNW da Escola Vai na Web.



🛠️ Tenho contato com:

Frontend

  HTML5   CSS3   Sass   JavaScript   React   Next.js   Tailwind CSS

Backend & Databases

  C#   .NET   Microsoft SQL Server   PostgreSQL

Dados & Business Intelligence

  Python   Pandas   Scikit-learn   Matplotlib   Seaborn   Power BI

Ferramentas & DevOps

  Git   Docker   VSCode

✨ Projetos recentes

   
 

Previsão de Preços de Corridas

 
          Preview do Projeto de Previsão de Preços        

              Ver Repositório          

   

      Projeto relacionado à analise de dados de Uber & Lyft para prever o valor de corridas com base em variáveis como dia da semana, horario, tipo de serviço e distância. Foi utilizado a técnica de one-hot encoding para transformação de dados categóricos em dados numéricos para possibilitar a modelagem. O menor erro médio previsto foi de $1.27, apontando uma boa previsão por parte do aprendizado de máquina para esse conjunto de dados.    

 




📫 Como me encontrar:

LinkedIn Email

About

No description, website, or topics provided.

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published