Carlos Horta's Projects
Análisis retención clientes en Beta Bank: predecir si un cliente dejará el banco. Modelo maximizar F1 (≥0.59) y medir AUC-ROC. Características: índice, ID, apellido, puntaje crédito, país, género, edad, plazo fijo, saldo, productos, tarjeta crédito, cliente activo, salario estimado. Variable: "Exited" (1 - sí; 0 - no).
Predicción de valor de mercado de autos usados: Modelo de Machine Learning para Rusty Bargain. Precisión, velocidad y eficiencia en la estimación del valor. Mejorar experiencia del cliente y eficiencia en venta de autos usados.
Zuber es una empresa de viajes compartidos en Chicago. El proyecto busca identificar patrones en los datos, incluyendo preferencias de pasajeros y el impacto de factores externos. Se prueba la hipótesis de que "la duración promedio de viajes del Loop a O'Hare varía en sábados lluviosos"
Informe y puntuación de crédito para préstamos bancarios. Evalúa el impacto del estado civil y número de hijos en el incumplimiento de pago. Objetivo: crear una puntuación de crédito para evaluar la capacidad de pago de los prestatarios. Datos iniciales sobre solvencia crediticia de los clientes.
Predictive modeling for customer churn at Interconnect, the telecom operator
Etapa 1 (de 3) del proyecto final de Data Engineering de Coderhouse
El objetivo del proyecto es desarrollar un modelo de Machine Learning para predecir la cantidad de oro que se puede extraer y optimizar la producción, eliminando parámetros no rentables. Esto permitirá a Zyfra tomar decisiones informadas, reducir costos y mejorar la eficiencia en la industria minera del oro.
Soluciones de Machine Learning para Sure Tomorrow: Identificar clientes similares, predecir probabilidad y número de prestaciones de seguro, y proteger datos personales. Mejorar marketing, toma de decisiones y cumplimiento de privacidad. Optimizar operaciones y ofrecer un servicio eficiente y seguro a los clientes.
El objetivo del proyecto es desarrollar un modelo preciso (umbral mínimo 0.75) para analizar el comportamiento de sus clientes y recomendar planes (Smart o Ultra). Los objetivos incluyen identificar y evaluar modelos adecuados, seleccionando el más preciso para hacer recomendaciones sobre los planes.
Modelo detecta críticas negativas en Film Junky Union. Usando datos de IMDB, se entrena un modelo para clasificar reseñas de películas. Objetivo: F1 ≥ 0.85.
Identificar la ubicación óptima para un nuevo pozo de petróleo de OilyGiant. Pasos: revisar parámetros del pozo, construir modelo predictivo para volumen de reservas, seleccionar pozos con mayor valor, elegir región con mayor beneficio general. Maximizar potencial de producción y beneficios económicos.
Megaline ofrece dos paquetes de prepago: Surf y Ultimate. Objetivo: determinar qué plan genera más ingresos y ajustar el presupuesto de publicidad. Se analizará el comportamiento de clientes y se probarán hipótesis de ingresos promedio diferentes entre planes y en la región de New York. Muestra de 500 clientes de 2018.
El proyecto busca predecir la cantidad de pedidos de taxis en Sweet Lift Taxi. Se evaluará el rendimiento del modelo utilizando RMSE en el conjunto de prueba, con un umbral máximo de 48. Se realizarán etapas de descarga de datos, remuestreo, análisis exploratorio, entrenamiento y evaluación del modelo
Análisis de factores que afectan el precio de vehículos en Crankshaft List. Procesamiento de datos, análisis exploratorio y conclusiones sobre qué influye en el precio de venta de vehículos usados. Identificación de valores faltantes, generación de nuevas columnas y respuesta a la pregunta central del proyecto.
El proyecto analiza datos de ventas de juegos en 2016 para identificar patrones de éxito y planificar campañas publicitarias. Se crean perfiles de usuario por región y se prueban hipótesis sobre calificaciones de plataformas y géneros. Dataset incluye nombre, plataforma, año, género, ventas y puntuaciones.