Diventerò data scientist per modelli predittivi, machine learning, analisi big data
Senior Data Engineer e Data Scientist
Informazioni su questo servizio
Con oltre 20 anni di esperienza in data science, data engineering e business intelligence, offro soluzioni complete di dati, dalla raccolta e pulizia dei dati fino alla modellazione di machine learning e insights pratici. Ho lavorato su progetti avanzati come la previsione dei ritardi dei voli, la modellazione della fidelizzazione dei clienti e l'analisi del sentiment utilizzando strumenti all'avanguardia come Python, Spark, Hadoop e piattaforme cloud (Azure, AWS, GCP).
Cosa offro:
- Modelli predittivi e di classificazione (Random Forest, XGBoost, SVM, ecc.)
- NLP (Sentiment Analysis, Topic Modeling, BERT)
- Deep Learning (CNN, LSTM, ANN)
- Analisi Big Data usando Hadoop, Spark (Scala, Java, PySpark)
- Database SQL & NoSQL (SQL Server, Oracle, MongoDB, Cassandra)
- Visualizzazione dei dati (Power BI, Tableau, Matplotlib, Seaborn)
- Pipeline di dati & ETL (SSIS, Talend, Airflow)
- ML basato su cloud (Azure Databricks, AWS EMR, GCP BigQuery)
Strumenti & Linguaggi:
Python, R, Java, Scala, SQL, PySpark, TensorFlow, Keras, Hadoop, Hive, Kafka, Power BI, Azure, AWS, GCP
Trasformiamo i tuoi dati grezzi in preziose business intelligence. Che si tratti di un'analisi occasionale o di una pipeline di ML scalabile, garantisco risultati professionali, spiegabili e affidabili.
Linguaggio di programmazione:
Python
•
SQL
•
Colab
•
Java
•
NoSQL
Tecnologia:
Python
•
Java
•
Scala
•
tensorflow
•
PyTorch
•
SQL
Il mio portfolio
FAQ
Traduzione automatica.
Di quali informazioni hai bisogno da me per iniziare?
Per iniziare, avrò bisogno di accesso alle tue fonti di dati (o dati di esempio), una breve descrizione dei tuoi obiettivi di business e eventuali requisiti specifici come il formato di output previsto (ad esempio dashboard, report CSV, endpoint API). Per progetti di grandi dimensioni, si consiglia una breve chiamata di scoperta.
Lavori con dati live/di produzione?
Sì, ho una vasta esperienza nella creazione e gestione di pipeline di dati di livello produzione. Tuttavia, consiglio sempre di iniziare con un ambiente di staging o campione per convalidare la logica prima di passare alla piena implementazione in produzione.

