Amostra de currículo de Analista de dados na Amazon

• Forneceu um valioso apoio técnico a colegas e clientes-chave, admitindo responder a pedidos ad hoc, ao mesmo tempo que dava formação eficaz a novos estagiários.
• Utilizou dados para implementar modelos editáveis, fragmentos de conteúdo e fragmentos de experiência para entrega de conteúdo personalizado, aumentando o envolvimento do utilizador em 15%.
• Utilizou SQL para análise aprofundada de dados do utilizador, descobrindo e prevenindo eficazmente o envio de spam a partir de formulários, resultando numa redução substancial de 40% nos incidentes de spam.
• Geriu tarefas administrativas do AEM, incluindo permissões de utilizador, criação, DAM, gestão de vários locais, despachante e gestão de fluxos de trabalho. Liderou a migração bem-sucedida para a nuvem AWS, alcançando uma melhoria de 40% na escalabilidade e 30% no desempenho do sistema.
• Colaborou estreitamente com equipas multifuncionais para identificar e resolver problemas de qualidade de componentes e dados, garantindo a integridade e consistência dos dados em toda a organização.
• Empregou o Tableau para análise de dados, criando métricas e KPIs essenciais para acompanhar o progresso em várias solicitações e impulsionar uma melhoria significativa de 15% na produtividade da equipe.

• Realização de análises preditivas e conceção de relatórios sobre os dados dos estudantes da Universidade utilizando o PowerBI
• O trabalho envolve análise de dados, Web scraping usando Python, gerenciamento de data warehouse e modelagem de dados.

• Gerenciamento aprimorado de ativos com sensores IoT e análise de dados, reduzindo os custos de manutenção em 20% e aumentando o tempo de atividade dos ativos em 15%.
• Desempenhou um papel fundamental no ciclo de vida de desenvolvimento de software para o recurso de rastreamento de trens, seguindo a metodologia Agile e utilizando Git, Jira, ServiceNow, Confluence e Jenkins.
• Elevou a satisfação do utilizador através da integração do feedback do cliente, levando a um aumento notável de 20% nas avaliações positivas dos clientes.

Cursos: Algoritmos, arquitetura de computadores, computação em nuvem (AWS), IA, mineração de dados, ML e DBMS

• Desenvolveu algoritmos de aprofundamento iterativo e de pesquisa heurística para tarefas de aprendizagem de cozinha robótica, resultando numa melhoria de 20% na eficiência da recuperação de tarefas.
• Publicou um artigo de projeto de investigação sobre Aprendizagem Robótica, disponível no arXiv (https://arxiv.org/abs/2211.01745), contribuindo para o conhecimento e avanço da área.

• Conseguiu uma redução de 30% no tempo de conclusão da tarefa ao longo de 1000 episódios de treino usando um agente de Q-learning com actualizações da equação de Bellman, implementado com as bibliotecas Python NumPy e TensorFlow.
• Validou o desempenho do agente no CoppeliaSim, com um desvio de apenas 5% do objetivo, aproveitando bibliotecas Python como PyRep, SciPy e Matplotlib para simulação, análise e visualização.

• Desenvolveu um modelo CNN baseado em TensorFlow, atingindo uma taxa de precisão de 88% na classificação de imagens e reduzindo o tempo de treinamento em 15% com processamento em lote otimizado usando o conjunto de dados Kaggle.
• Utilizou uma rede LeNet-5 pré-treinada, obtendo reconhecimento de imagem com precisão (92%), recall (91%) e uma pontuação F1 (93%), avaliada por meio de uma matriz de confusão.

• Utilizou o Tableau para análise e visualização de dados para descobrir padrões e tendências na violência armada nas escolas.
• Recolheu e analisou dados de fontes credíveis, incluindo o Washington Post e o Gun Violence Archive.
• Explorou factores-chave como a localização, vítimas, dados demográficos dos agressores, tipos de armas e métodos de disparo. O objetivo é identificar os principais factores de risco, informar as estratégias de prevenção e compreender os padrões regionais e demográficos.

• Conduziu o pré-processamento de dados, a exploração e a análise estatística num conjunto de dados do Kaggle composto por 300 registos de pacientes.
• Utilizou os algoritmos de classificação KNN, Decision Tree, Random Forest e Naive Bayes para prever a probabilidade de ocorrência de insuficiência cardíaca.
• Identificou o modelo ideal através de uma avaliação rigorosa da precisão, exatidão, recuperação e medida F num conjunto de dados de teste inédito.