Olá, sou o Lucas. Transformo tarefas e processos manuais em sistemas inteligentes que trabalham por você.

Visão Geral do Projeto

Este projeto foi desenvolvido com um objetivo claro: demonstrar, na prática, como é fácil, rápido e acessível automatizar tarefas manuais e repetitivas do dia a dia. A solução utiliza Python para ler dados estruturados (como arquivos .csv ou planilhas .xlsx) e inseri-los automaticamente de forma precisa em sistemas locais (Desktop) ou navegadores (Web).

Como Funciona

A arquitetura do projeto é dividida em três partes principais:

• O Painel de Controle (NiceGUI): Uma interface web moderna e intuitiva onde o usuário pode visualizar os dados e disparar a automação com um clique.
• O Motor de Automação (PyAutoGUI): A ferramenta que assume o controle do mouse e teclado, realizando o preenchimento campo a campo.
• O Sistema Alvo (Tkinter): Para esta demonstração, integrei a automação a um sistema legado simulado em Tkinter, onde o script navega por todos os inputs, incluindo a seleção de Estados em um combobox utilizando apenas comandos de teclado.

Por que a automação parece lenta na demonstração?

No mundo real de produção, uma automação como essa executa as tarefas em milissegundos — em um "piscar de olhos". No entanto, para esta demonstração, adicionei intencionalmente pequenos delays (atrasos de segundos) no código. O objetivo é permitir que você consiga acompanhar visualmente em tempo real o que o "robô" está fazendo: cada clique, cada tecla pressionada e cada campo preenchido.

Tecnologias Utilizadas

• Python (Linguagem base)
• NiceGUI (Interface de disparo e controle)
• PyAutoGUI (Automação de interface gráfica/RPA)
• Tkinter (Simulação do sistema legado Desktop)
• Manipulação de Dados: Leitura de .csv e .xlsx

Visão Geral do Projeto

Robô que verifica o preço de produtos periodicamente e dispara um alerta por e-mail assim que o preço atual fica igual ou abaixo de um valor-alvo definido pelo usuário. O alvo de demonstração é o books.toscrape.com, um site público criado especificamente para prática de scraping.

Como Funciona

A arquitetura segue o mesmo princípio de separação de responsabilidades do projeto anterior:

• O Painel de Controle (NiceGUI): mostra a lista de produtos monitorados, o preço-alvo de cada um e o status em tempo real, além dos controles de iniciar/parar e do intervalo entre verificações.
• O Coletor (Playwright): abre cada página de produto, extrai título e preço, e compara com o valor-alvo definido.
• O Alertador (SMTP): quando o preço atinge o alvo, dispara um e-mail com os detalhes do produto — as credenciais nunca ficam no código, só em variáveis de ambiente.

Por que rodar em loop com intervalo?

Diferente da automação de cadastro (que roda uma vez e termina), aqui o robô precisa ficar de olho no preço ao longo do tempo. O loop dorme em passos de 1 segundo entre verificações — isso permite que o botão "Parar" no painel responda quase instantaneamente, mesmo com um intervalo configurado de vários minutos.

Tecnologias Utilizadas

• Python (Linguagem base)
• NiceGUI (Painel de controle e acompanhamento)
• Playwright (Coleta de dados na web)
• SMTP / e-mail (Disparo de alertas)
• Manipulação de Dados: leitura de .csv com a lista de produtos e preços-alvo

Visão Geral do Projeto

Painel em Streamlit para explorar uma base de vendas com filtros dinâmicos e KPIs recalculados em tempo real. A estrutura dos dados é inspirada no clássico dataset "Superstore" — bastante reconhecido em portfólios de dados — adaptada para o contexto brasileiro (estados, regiões).

Como Funciona

• Filtros (sidebar): período, categoria, região e segmento — qualquer combinação recalcula tudo na hora.
• KPIs: vendas totais, lucro total, número de pedidos e ticket médio.
• Gráficos: vendas ao longo do tempo, vendas por categoria, top 10 produtos e vendas por estado.
• Tabela + exportação: os dados filtrados ficam disponíveis numa tabela, com botão para baixar em CSV.

Tecnologias Utilizadas

• Python (Linguagem base)
• Streamlit (Interface interativa)
• Pandas (Agregações e filtros)
• Plotly (Gráficos interativos)

Visão Geral do Projeto

App onde o usuário preenche os dados de um cliente (tempo de casa, gasto mensal, tipo de contrato, suporte técnico, forma de pagamento) e recebe instantaneamente a probabilidade de cancelamento, calculada por um modelo de classificação treinado sobre uma base com relação causal simulada entre as variáveis.

Como Funciona

• Geração dos dados: base fake, mas com relação causal proposital — contrato mensal, pouco tempo de casa e ausência de suporte técnico aumentam o risco de churn.
• Treinamento: pipeline de ColumnTransformer (padronização + one-hot encoding) seguido de um RandomForestClassifier, salvo com joblib.
• App Streamlit: formulário com sliders e selects; ao enviar, o pipeline treinado calcula a probabilidade e mostra o resultado com cor e barra de progresso.

Métricas do modelo (base de teste)

• Acurácia: ~0.76
• AUC-ROC: ~0.83

Números realistas de propósito — um modelo com acurácia perto de 100% nesse tipo de problema geralmente é sinal de vazamento de dados, não de um modelo bom.

Tecnologias Utilizadas

• Python (Linguagem base)
• Scikit-learn (Pipeline, RandomForestClassifier)
• Pandas (Manipulação dos dados)
• Streamlit (Interface e input em tempo real)

Visão Geral do Projeto

O projeto "bandeira" do portfólio: junta automação, tratamento de dados, Machine Learning e visualização num pipeline só, com responsabilidades bem separadas em 4 etapas. A pergunta que ele responde: dá pra prever se um livro será bem avaliado (4-5 estrelas) só olhando o preço e a categoria?

As 4 Etapas

• Coleta (Playwright): raspa livros de 8 categorias do books.toscrape.com.
• Tratamento (Pandas): limpa preço e avaliação, cria a coluna-alvo "bem avaliado".
• Modelo (Scikit-learn): um RandomForestClassifier prevê a avaliação usando cross_val_predict — cada livro é previsto por uma versão do modelo que nunca o viu no treino, evitando o vazamento de dados.
• Dashboard (Streamlit): exibe tudo, com filtros de categoria e faixa de preço.

Resultado na coleta real

Na execução mostrada na demonstração, o robô coletou 92 livros, com preço médio de £22.14 e 39% deles realmente bem avaliados. O modelo acertou a previsão em 55% dos casos — número honesto (não artificialmente perfeito), já que vem de previsões fora da amostra de treino.

Tecnologias Utilizadas

• Playwright (Coleta de dados na web)
• Pandas (Tratamento e limpeza)
• Scikit-learn (Classificação com validação cruzada)
• Streamlit + Plotly (Dashboard final)

Visão Geral do Projeto

App em Streamlit que aplica o método Six Sigma (adaptado ao controle de qualidade laboratorial) e o clássico gráfico de Levey-Jennings para avaliar a estabilidade de um método de medição analítica — o mesmo tipo de análise usada em laboratórios clínicos para validar equipamentos e reagentes.

Como Funciona

• Upload de dados: o usuário sobe um CSV com os resultados do controle de qualidade (ou usa os dados de exemplo já carregados).
• CV% e Bias: calculados a partir do desvio-padrão dos resultados e da diferença percentual em relação à média do grupo/consenso.
• Métrica Sigma: combina o erro total admitido (ETa), o bias e o CV% numa única métrica — quanto maior, mais estável o método.
• Gráfico de Levey-Jennings: plota os resultados ao longo do tempo com limites de ±1, ±2 e ±3 desvios-padrão, base visual para aplicar as regras de Westgard.

Por que esse projeto é diferente dos outros

É o um projeto do meu portfólio que criei aplicando conhecimento específico (controle de qualidade laboratorial) em vez de um problema comum de dados — usei para testar minha capacidade de traduzir uma metodologia técnica de uma área (Six Sigma/Westgard, comuns em laboratórios clínicos) para uma ferramenta de software utilizável pelo time.

Tecnologias Utilizadas

• Python (Linguagem base)
• Streamlit (Upload de dados e interface)
• Pandas (Cálculo de média, desvio-padrão e CV%)
• Plotly (Gráfico de Levey-Jennings)