Sobre mim

Nascido em 15 de maio de 1997 em São Bernardo do Campo, sempre morei e estudei no estado de São Paulo. Desde jovem, sempre fui apaixonado pelas ciências exatas, em especial pela matemática, física, robótica e computação, motivos que me fizeram seguir na carreira de Engenharia e Computação.

Sou pós-graduado em Ciência de Dados pelo CIn-UFPE e bacharel em Ciência e Tecnologia e Engenharia de Instrumentação, Automação e Robótica pela UFABC, faculdade esta que me proporcionou a oportunidade de realizar um intercâmbio acadêmico na Hochschule Offenburg, na Alemanha, onde cursei parte das disciplinas de engenharia e computação da minha graduação em inglês, além de estudar alemão.

Desde 2021, venho atuando na área de Ciência de Dados em projetos de escopo diverso, como telemarketing, varejo, indústria química e aeronáutica. Possuo experiências acadêmicas e profissionais com Python e suas bibliotecas, além de outras ferramentas como SQL, Git, Bash, Docker e Azure.

Trajetória acadêmica

Para explorar um pouco sobre minha trajetória acadêmica, gerou-se alguns gráficos e visualizações que ilustram meu desempenho ao longo dos cursos. Assim, por meio destas visualizações busca-se gerar análises mais intuitivas e visuais do meu percurso acadêmico.

Análises da graduação

Para as análises da graduação, fez-se comparação do meu desempenho com dois alunos hipotéticos que seguiram trajetórias acadêmicas semelhantes considerando, portanto, que cursaram as mesmas matérias, com os mesmos professores e na mesma ordem. Para simular as notas destes alunos, realizou-se o processo de Scrapping na plataforma UFABC Next, com o objetivo de obter as proporções de conceitos das disciplinas que cursei com cada professor específico. Desta forma, apesar destes alunos serem hipotéticos, suas notas foram calculadas de forma realista, refletindo, portanto, um perfil de desempenho padrão para um aluno que cursou as mesmas disciplinas que eu.

Uma vez encontrada as proporções de conceitos, os valores do primeiro aluno hipotético foram calculados com base na distribuição dos conceitos da turma. Para isso, cada conceito foi associado a um valor numérico em uma escala de 0 a 4. A nota do aluno foi determinada pela média ponderada dos conceitos da turma, levando em conta a proporção de cada conceito atribuído aos alunos reais. Primeiro, calculou-se a nota mais provável do aluno hipotético multiplicando a proporção de cada conceito pelo seu valor numérico correspondente e somando os resultados. Os valores numéricos atribuídos a cada conceito foram: 0 para F e O, 1 para D, 2 para C, 3 para B e 4 para A. Após obter essa nota, foi feita uma conversão de volta para o formato de conceito, utilizando intervalos numéricos predefinidos. Por exemplo, notas entre 0 e 0.8 foram classificadas como F, enquanto notas entre 3.2 e 4 foram classificadas como A. Esse processo permitiu definir os conceitos do aluno hipotético de forma coerente com a distribuição da turma.

Para o segundo aluno hipotético, os conceitos das matérias foram determinados com base na moda das proporções, ou seja, ele sempre recebeu o conceito mais frequente atribuído pela turma. Dessa forma, seus conceitos refletiram consistentemente a avaliação predominante entre os alunos.

Proporção de conceitos

Desde o início da minha graduação, o meu principal objetivo sempre foi manter um bom desempenho acadêmico, o que por sua vez refletiu em um histórico de notas bastante positivo: aproximadamente 96,15% de conceitos A e B, sendo que a grande maior parte destes (71,76%) foram A. Além disso, a baixa proporção de notas C (3,85%) e a ausência de conceitos D, F e O, refletem a grande dedicação e o comprometimento que sempre tive com os estudos.

Vire o dispositivo para visualizar o gráfico

Comparando os meus resultados com os dos outros dois alunos, é possível observar que minha proporção de conceitos A foi consideravelmente maior que a de ambos, sendo cerca de 4 vezes maior que a do primeiro aluno hipotético e 1,7 vez maior que a do segundo. Além disso, pode-se verificar que a concentração de notas do primeiro ficaram na grande maior parte das vezes (71,80%) entre B e C, enquanto que a do segundo, apesar de ter A como conceito predominante (42,31%), teve uma taxa de reprovação considerável de 16,67%.

Proporção de conceitos ao longo dos quadrimestres

Reforçando a análise anterior, é possível observar a evolução dos conceitos atribuídos ao longo dos quadrimestres. Por meio mapa dos mapas de calor abaixo, pode-se visualizar a proporção dos conceitos recebidos em cada quadrimestre, proporcionando uma análise mais detalhada do desempenho ao longo dos períodos.

Vire o dispositivo para visualizar o gráfico

Analisando o mapa que representa os meus conceitos (mais à esquerda), podemos observar que a grande maioria dos quadrimestres apresentaram uma proporção elevada de conceitos A, com o menor registro sendo 40% nos quadrimestres 2019.1 e 2019.3. Além disso, pode-se verificar que exceto pelos quadrimestres 2017.2 e 2019.3, os conceitos foram sempre classificados como A ou B.

Ao comparar meus resultados com os dos dois alunos hipotéticos descritos anteriormente, observa-se que a proporção de conceitos A ou B que obtive foi igual ou superior à deles em todos os quadrimestres. Além disso, algumas diferenças são especialmente marcantes, como no quadrimestre 2017.3, em que minha proporção de A ou B atingiu 100%, enquanto para os alunos hipotéticos foi de apenas 25% cada, além de elevada taxa de conceitos D ou F, alcançando 50% e 75% respectivamente.

Evolução temporal do Coeficiente de Rendimento (CR)

Por fim, a última análise realizada para a graduação foi a evolução do Coeficiente de Rendimento (CR), um dos principais indicadores de desempenho acadêmico. De forma simplificada, o CR é calculado como a média das notas obtidas em todas as disciplinas cursadas, ponderada pelos respectivos créditos. Dessa forma, acompanhar a evolução do CR ao longo dos quadrimestres permite avaliar tanto a consistência quanto o progresso nos estudos.

Vire o dispositivo para visualizar o gráfico

Analisando o gráfico acima, observa-se que meu CR esteve consistentemente acima dos CRs dos alunos hipotéticos. Além disso, vale desctacar que com exceção do primeiro quadrimestre, esta métrica sempre permanesceu acima de 3,5, evidenciando uma forte predominância de conceitos A e um alto nível de dedicação aos estudos.

Análises da pós-graduação

Para as análises da especialização, como não havia uma plataforma de onde pudesse extrair as notas esperadas dos demais alunos, optou-se por realizar uma análise mais simples, focando apenas nas minhas notas, sem compará-la com as de outros alunos hipotéticos.

Análise da distribuição das notas

Buscando ter uma visão macro do meu desempenho na pós-graduação, foi gerado um gráfico de distribuição das notas obtidas nas disciplinas cursadas. Como temos poucos dados, o histograma não mostra-se uma representação tão valiosa e informativa. Isto posto, para verificar a distribuição das notas usou-se um boxplot.

Vire o dispositivo para visualizar o gráfico

Além disso, devido ao número reduzido de disciplinas, também é possível gerar um gráfico de barras para visualizar as notas obtidas em cada matéria, proporcionando uma análise mais detalhada do desempenho individual em cada uma delas.

Vire o dispositivo para visualizar o gráfico

Dessa forma, a análise dos gráficos acima revela que a maioria das notas obtidas foram 10 (58,3% do total), com a menor nota sendo 9,5 e uma média geral de 9,85, evidenciando minha dedicação aos estudos e comprometimento com a especialização.

Evolução temporal da nota média

Por fim, de forma semelhante ao que fora feito para a graduação, foi gerado um gráfico que ilustra a evolução da nota média ao longo das matérias da especialização.

Vire o dispositivo para visualizar o gráfico

Por fim, ao analisarmos o gráfico acima, pode-se verificar que a nota média obtida nas disciplinas cursadas foi sempre superior a 9,5, evidenciando um desempenho consistente e elevado ao longo da especialização, corroborando com as observações e conclusões feitas anteriormente.

Veja em detalhes

Caso queira ver as implementações dos códigos desenvolvidos para scrapping e análise dos dados, a visualização dos notebooks pode ser acessada pelos botões abaixo ou em meu GitHub.

Entre em contato

Quer saber mais? Entre em contato! Estou sempre em busca de fazer novos contatos e adoro aprender coisas novas e enfrentar desafios! Vamos bater um papo e, quem sabe, até colaborar em algum projeto incrível! 👨🏻‍💻🚀