🟢 Concluído — Projeto acadêmico / Bootcamp Santander
Este repositório registra o primeiro bootcamp que realizei, desenvolvido durante o Bootcamp Santander, como parte da minha trajetória inicial de aprofundamento em Python, Ciência de Dados, análise de informações e Inteligência Artificial.
O projeto reúne experimentos de manipulação de dados, integração com fontes externas simuladas e uma extensão autoral de análise de sentimentos aplicada a descrições de transações financeiras.
O projeto originalmente trabalhava com dados de clientes que seriam obtidos por uma API externa.
Como a fonte original poderia estar indisponível, foi criada uma camada de dados simulados para manter o fluxo funcional e facilitar a experimentação.
fake_client_data = {
"id": 101,
"name": "Maria Teste",
"account": {
"number": "98765432",
"agency": "0001",
"balance": 1200.00
}
}A estrutura foi organizada para permitir substituição futura da fonte de dados por diferentes backends ou APIs.
O projeto teve como objetivos:
- Trabalhar com manipulação de dados em Python;
- Explorar integração com fontes externas;
- Estruturar dados de clientes;
- Experimentar processamento de dados financeiros;
- Criar extensões próprias sobre a proposta original do bootcamp;
- Aplicar técnicas de NLP em dados de transações.
Foi criada uma camada de modificação para simular dados que originalmente seriam obtidos através de uma API externa.
O código foi estruturado para permitir futuras integrações com:
- Webhooks;
- Firebase;
- Supabase;
- SQLite;
- PostgreSQL;
- Google Sheets via API;
- Outros backends.
Fluxo conceitual:
Fonte de Dados
↓
API / Backend / Mock
↓
Python
↓
Tratamento dos Dados
↓
Análise
Como extensão do projeto, foi adicionada uma análise de sentimentos baseada no VADER, utilizando o NLTK.
A proposta foi associar polaridade às descrições textuais das transações financeiras.
Descrição da Transação
↓
VADER
↓
Score de Sentimento
↓
Análise / Interpretação
O projeto utiliza exemplos de descrições como:
"comprei um presente incrível"
"paguei multa atrasada"
"ganhei cashback da Netflix"
"empréstimo caiu na conta"
"tive que pagar uma taxa absurda"
Cada descrição recebe um score de sentimento.
O VADER retorna um score denominado compound, representado em uma escala entre:
-1 → sentimento negativo
0 → neutro
+1 → sentimento positivo
Exemplos conceituais utilizados no projeto:
"ganhei cashback"
↓
positivo
"paguei multa"
↓
negativo
A análise textual das transações pode servir como base para explorar conceitos como:
- Identificação de padrões comportamentais;
- Classificação de descrições;
- Análise de experiências associadas a transações;
- Identificação de comportamentos incomuns;
- Segmentação comportamental;
- Personalização de produtos e serviços.
Essas possibilidades fazem parte da exploração técnica realizada no projeto e não representam funcionalidades de um sistema bancário real.
| Categoria | Tecnologias |
|---|---|
| Linguagem | Python |
| Manipulação de Dados | pandas |
| NLP | NLTK |
| Sentiment Analysis | VADER |
| Dados | Estruturas Python / Mock Data |
| Experimentação | Jupyter Notebook |
- Estruturação de dados de clientes;
- Simulação de dados provenientes de API;
- Organização de informações bancárias;
- Manipulação de dados com pandas;
- Criação de dataset de transações;
- Análise de sentimentos;
- Geração de scores
compound; - Extensão da proposta original do bootcamp.
Cliente / Conta
↓
Dados Mock
↓
Python
↓
DataFrame
↓
Transações
↓
NLP / VADER
↓
Sentiment Score
↓
Análise
BootcampSantander/
│
├── Dados / Mock
│
├── Processamento
│
├── Análise de Transações
│
├── NLP / Sentiment Analysis
│
└── README.md
A estrutura exata dos arquivos deve seguir a organização presente no repositório.
- Python;
- Manipulação de dados;
- pandas;
- Estruturação de datasets;
- Integração e abstração de fontes de dados;
- NLP;
- Análise de sentimentos;
- Experimentação com dados financeiros;
- Capacidade de expandir propostas de projetos;
- Primeiros experimentos práticos em Ciência de Dados e IA.
Este projeto possui importância histórica por representar o primeiro bootcamp que realizei e uma das primeiras experiências estruturadas de desenvolvimento com Python e dados.
A partir dessa etapa, a evolução técnica passou a incluir projetos mais avançados em:
Python
↓
Data Science
↓
Machine Learning
↓
IA Generativa
↓
Agentic AI
↓
Data Engineering
↓
Automação
↓
SaaS
O repositório é mantido como registro dessa evolução.
- A fonte de dados do projeto utiliza dados simulados;
- A análise de sentimentos é experimental;
- O VADER foi utilizado como demonstração de NLP;
- Os dados não representam clientes ou transações bancárias reais;
- As análises não devem ser utilizadas para decisões financeiras reais;
- O projeto possui finalidade acadêmica e de experimentação.
- Integração com API real;
- Persistência em banco de dados;
- Dashboard de transações;
- Classificação automática de categorias;
- Análise temporal do comportamento;
- Modelos de NLP mais avançados;
- Embeddings;
- Clustering de clientes;
- Anomaly Detection;
- Integração com pipelines de Machine Learning;
- Visualização interativa;
- APIs para consumo dos resultados.
🟢 Concluído — Primeiro Bootcamp
O projeto está concluído e permanece no GitHub como registro histórico do primeiro bootcamp realizado, incluindo:
- ✅ Manipulação de dados;
- ✅ Dados simulados;
- ✅ Estruturação de clientes;
- ✅ Processamento de transações;
- ✅ pandas;
- ✅ NLP;
- ✅ VADER;
- ✅ Análise de sentimentos;
- ✅ Extensões autorais sobre a proposta original.
Além de registrar uma etapa inicial da minha trajetória, o projeto demonstra uma evolução importante: utilizar uma atividade orientada como ponto de partida para experimentação, personalização e desenvolvimento de funcionalidades próprias.
Yuri Fernando Dubbern
AI/ML Engineer · Data Science · Generative AI · Agentic AI · Intelligent Automation