Deborah Pereira

Mestranda no Instituto de Computação da Universidade Federal Fluminense.
Especialista em Ciência de Dados pela Universidade Federal do Rio de Janeiro (2022).
Graduação em Estatística pela Universidade Federal Fluminense (2018), com principais atuações nos seguintes temas: processos estocásticos, probabilidade, cadeias com memória de alcance variável, simulação e SVM.

Bolsista PNM/UFF – Atualmente

Criação de modelos preditivos e visualização de áreas com risco de deslizamento. No projeto em geral, são utilizados conhecimentos das áreas de Engenharia de Dados, Inteligência Artificial, Otimização e Visualização da Informação. Baseado em dados da prefeitura e fontes alternativas, com foco no estudo dos problemas causados pelas chuvas na cidade de Niterói.

Analista Pleno na Accenture Brasil – 04/2022

Projeto em banco

• Projeto em e-commerce, com intuito de melhorar a visualização do comportamento de compras dos clientes pelo aplicativo durante e pós-covid 19, foi utilizada a ferramenta Tableau com importação e estruturação dos dados do Hive.

Projeto na área de construção 

• Projeto de otimização de pagamentos, com a utilização da linguagem R para a criação do modelo de previsão. Para a criação do Dashboard foi utilizada a ferramenta Power BI, possibilitando o acompanhamento da aplicação do modelo. 

Projetos na área de telecomunicações

• Projeto de personalização no atendimento ao cliente. Criação de clusters e estatísticas descritivas, com auxílio do Python, baseados no comportamento e características do cliente, visando um aplicativo mais hábil, assim evitando que o mesmo tenha que entrar em contato com a empresa.

• Projeto de Turnover. Criação de Procedures em SQL para possibilitar a alimentação do Dashboard no Power BI para a visualização dos dados e acompanhamento do modelo. 

• Projeto de alavancagem de vendas digitais, com uso do Power BI para a visualização da evolução e comportamento das vendas. Também houve utilização do Alteryx para estruturar os dados e Knime para a modelagem, permitindo a identificação de oportunidades. 

• Projeto para a melhora do indicador de eficácia dos BAs. Foi utilizada a ferramenta Alteryx para trabalhar com os dados. Para o modelo, foi primeiro utilizado o programa R então foi utilizada a ferramenta Knime. 

• Projeto de contabilidade, com o uso do Power BI para a criação de Dashboards. Possibilitando uma melhor visualização dos pontos a serem melhorados na área.

Estagiária na ENEL Distribuição Rio –  01/2019

• Projeto de BI, com extração e importação com o uso de Shell Script e Hive para análise de dados. O projeto de localização de pontos de possíveis perdas ou furtos de energia.

• Projeto de roteirização automática, onde foi criado um modelo utilizando um método de clusterização. Este projeto viabilizou um melhor aproveitamento do tempo das equipes em campo, que realizavam serviços como medição corte e religação de energia.

• Projeto de localização de medidor. Que teve como resolução um algoritmo que pelo histórico das coordenadas gravadas pelos leituristas, indicava qual coordenada provavelmente seria a real localização do medidor.

• Controle de indicadores possibilitando uma melhor visualização dos pontos a serem melhorados para o desenvolvimento da área.

Mestrado no Instituto de Computação na Universidade Federal Fluminense - Atualmente

Pós-graduação em Ciência de Dados na Universidade Federal do Rio de Janeiro - 2022

Bacharelado em Estatística na Universidade Federal Fluminense – 2018

Projetos de Pesquisa 

• "@WeatherNit: Uma plataforma baseada em dados para monitoramento de chuvas e ocorrências de eventos climáticos."  A plataforma permite a visualização interativa de dados históricos e em tempo real de volumes acumulados de chuva e ocorrências de enchentes e deslizamentos, integrados e armazenados em um Data Lakehouse. Trabalho realizado em equipe. 2022
• "Análise de chuvas em municípios do Rio de Janeiro via modelos dinâmicos bayesianos." Aplicação de modelos lineares dinâmicos para o estudo de séries temporais de chuvas em Niterói, utilizando diferentes formas de agregação ao longo do tempo. Trabalho coordenado pela Professora Kelly Cristina Mota Gonçalves. 2022
•  “Aprendizado de máquina e aplicação do método de aprendizado supervisionado support vector machine”. Onde foi apresentado o estudo teórico do método supervisionado no qual foram trabalhadas as definições de seus principais componentes descrevendo de forma generalizada alguns dos principais modelos de aprendizagem supervisionados. Então, após aprofundar o estudo do método de aprendizado SVM, o mesmo fora aplicado em diferentes modelos, com intuito de conferir a eficácia do aprendizado utilizando. Trabalho orientado pela professora Karina Yuriko Yaginuma. 2018
•  “Um estudo sobre a relação da estrutura de interação entre neurônios e suas correlações”. Onde foram estudadas as correlações geradas através das amostras simuladas e a estrutura de interação entre os neurônios definida pelo modelo estocástico. Foi um projeto multidisciplinar que viabilizou o desenvolvimento do conhecimento em diferentes áreas como estatística, probabilidade, neurociência e computação. Trabalho orientado pela professora Karina Yuriko Yaginuma. 2017-2018

Participação em Eventos 

• Apresentação via web intitulada de “Stochastic Chains with Memory of Variable Length.”, apresentada ao Operation Analytics Global da Accenture. Onde foi introduzida a metodologia e possíveis aplicações. 2021
• Apresentação via web intitulada de “KNIME: Uma abordagem rápida e prática da ferramenta.”, apresentada no Treinamento Operation Analytics da Accenture. Onde foi introduzida algumas aplicações do Knime. 2020
• Apresentação via web intitulada de “Supervised Learning”, apresentada no Operation Analytics Training da Accenture. Onde foi explicada a definição de aprendizado supervisionado, introdução de Árvore de decisão e sua aplicação no Knime. 2020 
• Apresentação oral intitulada de “Um estudo sobre a correlação de processos interagentes”. Onde foi apresentado o estudo das correlações entre processos estocásticos com memória de alcance variável na 9ª semana da Estatística da Universidade Federal Fluminense. 2017
•  Apresentação de pôster na 8ª Semana da Estatística da Universidade Federal Fluminense, intitulada de “Simulação de respostas para o questionário sobre a avaliação da incidência de alergia respiratória na população infantil residente do município do Rio de Janeiro”. Onde foi explicitado métodos de simulação para um questionário, com resultados baseados em pesquisas realizadas sobre o tema. 2016

Cursos complementares 

• Controle de Versão de Software com GIT – Universidade Federal Fluminense – 2021
• Análise Exploratória de Dados com Python – Universidade Federal Fluminense – 2021
• Curso de Metodologia de Pesquisa em Computação – 40 horas – Universidade Federal Fluminense – 2021
• SAS Drops - A fábrica de modelos do SAS: Machine Learning – Webinar - 2020  

Seminários 

• VI Escola Avançada em Big Data Analysis USP - 2022
• II Workshop de Inteligência Artificial IC/UFF - 2021
• I Workshop de Algoritmos e Otimização do IC/UFF – 2021