8000 GitHub - pitarac/pitarac: Bem vindo ao meu mundo, falo sobre ciência de dados e tecnologia.
[go: up one dir, main page]
More Web Proxy on the site http://driver.im/
Skip to content

pitarac/pitarac

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

10 Commits
 
 
 
 

Repository files navigation

A imagem mostra um banner com o Nome Paulo Henrique logo abaixo um retangulo com a escrita Engenheiro de dados, na linha de baixo contato por email e telefone,+55619813888239 e contato@pauloleocadia.com.br na lateral da esquerda tem um micropossessador e seus ciricuitos criam um efeito na imagem

EN

Paulo Henrique

👋 Hello! I'm Paulo Henrique, but you can call me Paulo Leocádia.

🚀 I'm a Data Engineer at DataSavvy, passionate about technology, politics, and diversity.

💼 Currently, I'm focused on the field of Data Science and also work as a Paid Media Analyst on the internet (paid traffic).

🚴‍♂️ In my free time, I enjoy biking in the park and watching science fiction and dystopian movies. Lately, I've been following a lot of Apple TV.

Connect with Me

📫 You can get in touch with me through LinkedIn or Instagram.

🎯 Let's talk about technology, politics, or any other interesting topic!

Languages and Tools:

  • Python Python: This is my go-to language! I frequently use it for data analysis and manipulation, exploring a wide range of libraries and frameworks.
  • R R: I mainly use this for detailed statistical analysis and complex data visualizations.
  • Jupyter Jupyter Notebook: My daily companion for writing and testing Python code, excellent for data visualization and documenting analyses.
  • Pandas Pandas: Essential for my work with large datasets, making data manipulation and analysis more manageable.
  • NumPy NumPy: I always use it for mathematical operations and numerical calculations, especially with arrays and matrices.
  • SciPy SciPy: A valuable tool for more scientific and technical tasks, complementing NumPy.
  • Matplotlib Matplotlib: My choice for creating static, animated, and interactive graphs, making data visualization more comprehensible.
  • Seaborn Seaborn: I use it to enhance my statistical visualizations, thanks to its integration with Matplotlib.
  • Scikit-learn Scikit-learn: One of my favorite libraries for machine learning, I frequently use it for classification, regression, and other models.
  • TensorFlow PyTorch TensorFlow and PyTorch: I explore these libraries for deep learning projects, each with its unique characteristics and advantages.
  • SQL SQL: An essential skill in my arsenal, I frequently use it for working with databases.
  • Tableau Power BI Tableau and Power BI: Tools I love using to create dashboards and reports, making data visualization more interactive and accessible.
  • Apache Spark Apache Spark: I use it to process and analyze big data efficiently, especially in distributed environments.
  • Git GitHub Git and GitHub: Fundamental to my workflow, I use them for version control and collaboration in projects.
  • Docker Docker: Essential for creating isolated environments, facilitating consistent testing and deployments.

PT-BR

Paulo Henrique (Paulo Leocádia)

👋 Olá! Sou Paulo Henrique, mas pode me chamar de Paulo Leocádia.

🚀 Sou Engenheiro de Dados na DataSavvy, apaixonado por tecnologia, política e diversidade.

💼 Atualmente, estou focado na área de Ciência de Dados e também atuo como Analista de Mídia Paga na internet (tráfego pago).

🚴‍♂️ Nas horas vagas, gosto de pedalar no parque e assistir filmes de ficção científica e distopias. Atualmente, estou acompanhando bastante a Apple TV.

Conecte-se comigo

📫 Você pode entrar em contato comigo pelo LinkedIn ou Instagram.

🎯 Vamos conversar sobre tecnologia, política ou qualquer outro tópico interessante!

Linguages e ferramentas:

  • Python Python: Essa é a minha go-to language! Uso muito para análise e manipulação de dados, além de explorar diversas bibliotecas e frameworks.
  • R R: Utilizo principalmente para análises estatísticas detalhadas e visualizações de dados complexas.
  • Jupyter Jupyter Notebook: Meu companheiro diário para escrever e testar código Python, além de ser excelente para visualizar dados e documentar análises.
  • Pandas Pandas: Essencial para o meu trabalho com grandes conjuntos de dados, facilitando a manipulação e análise de dados complexos.
  • NumPy NumPy: Sempre uso para operações matemáticas e cálculos numéricos, especialmente com arrays e matrizes.
  • SciPy SciPy: Uma ferramenta valiosa para tarefas mais científicas e técnicas, complementando o NumPy.
  • Matplotlib Matplotlib: Minha escolha para criar gráficos estáticos, animados e interativos, tornando a visualização de dados mais compreensível.
  • Seaborn Seaborn: Uso para aprimorar minhas visualizações estatísticas, graças à sua integração com Matplotlib.
  • Scikit-learn Scikit-learn: Uma das minhas bibliotecas favoritas para machine learning, uso-a frequentemente para classificação, regressão e outros modelos.
  • TensorFlow PyTorch TensorFlow e PyTorch: Exploro essas bibliotecas para projetos de deep learning, cada uma com suas características únicas e vantagens.
  • SQL SQL: Uma habilidade essencial no meu arsenal, uso frequentemente para trabalhar com bancos de dados.
  • Tableau Power BI Tableau e Power BI: Ferramentas que adoro usar para criar dashboards e relatórios, tornando a visualização de dados mais interativa e acessível.
  • Apache Spark Apache Spark: Utilizo para processar e analisar big data de forma eficiente, especialmente em ambientes distribuídos.
  • Git GitHub Git e GitHub: Fundamentais para o meu fluxo de trabalho, uso para controle de versão e colaboração em projetos.
  • Docker Docker: Essencial para criar ambientes isolados, facilitando testes e implantações consistentes.
0