JEAN LIMA
DATA SCIENTISTDesenvolvendo Soluções
para o Mercado Securitário_
15+Projetos/Soluções Entregues
Machine Learning &
Modelos PreditivosFoco Principal
Modelos PreditivosFoco Principal
2 ANOSExperiência de Alta Performance
[ THE ARCHIVE ]
SISTEMAS ONLINE - INTERAÇÃO LIBERADA NOS CARDS ABAIXO
https://nubank-ml.onrender.com/
Previsão de Receita
- Nubank
Machine LearningSARIMAPythonFlask
Aplicação web inteligente que utiliza o modelo estatístico SARIMA para prever a receita trimestral baseada em séries temporais financeiras.
Code Vault // Restricted
from statsmodels.tsa.statespace.sarimax import SARIMAX
def initialize_sarima(ts_data):
# SARIMA parameters optimized via GridSearch
model = SARIMAX(
ts_data,
order=(1, 1, 1),
seasonal_order=(1, 1, 0, 4),
enforce_stationarity=False,
enforce_invertibility=False
)
results = model.fit(disp=False)
return results
def initialize_sarima(ts_data):
# SARIMA parameters optimized via GridSearch
model = SARIMAX(
ts_data,
order=(1, 1, 1),
seasonal_order=(1, 1, 0, 4),
enforce_stationarity=False,
enforce_invertibility=False
)
results = model.fit(disp=False)
return results
resseguro-xl-analytics.onrender.com
↑ SISTEMA INTERATIVO — CLIQUE E EXPLORE ↑
Resseguro XL
- Analytics
Machine LearningRandom ForestPythonEl Niño CAT Model
Simulador de Tratado XL com Motor de ML que correlaciona anomalias climáticas (El Niño/La Niña) à sinistralidade agro, treinado com RandomForest e pipeline MLOps.
backend/ml_engine.py // Restricted
from sklearn.ensemble import RandomForestRegressor
import numpy as np; import joblib
def generate_synthetic_climate_data(n_samples=5000):
# Correlates El Niño ONI with crop loss ratio
ufs = ['RS','PR','SP','MG','MT']
for _ in range(n_samples):
oni = np.random.uniform(-2.5, 3.0)
stress = 1.0
if precipitacao_mm > 350: # Granizo
stress = np.random.uniform(1.8, 3.5)
def train_and_export_model():
model = RandomForestRegressor(
n_estimators=100, max_depth=10,
random_state=42, n_jobs=-1
)
model.fit(X_train, y_train)
joblib.dump(metadata, MODEL_PATH)
import numpy as np; import joblib
def generate_synthetic_climate_data(n_samples=5000):
# Correlates El Niño ONI with crop loss ratio
ufs = ['RS','PR','SP','MG','MT']
for _ in range(n_samples):
oni = np.random.uniform(-2.5, 3.0)
stress = 1.0
if precipitacao_mm > 350: # Granizo
stress = np.random.uniform(1.8, 3.5)
def train_and_export_model():
model = RandomForestRegressor(
n_estimators=100, max_depth=10,
random_state=42, n_jobs=-1
)
model.fit(X_train, y_train)
joblib.dump(metadata, MODEL_PATH)
https://mapa-seguradora-agro.onrender.com/
Mapa Seguradora
- Agro
Geospatial DataPythonStreamlit / Folium
Plataforma de inteligência geográfica para o agronegócio, vencedora do Prêmio Sompo de Melhor Inovação 2025. Visualização de áreas e dados climáticos.
Code Vault // Restricted
import streamlit as st
import folium
from streamlit_folium import st_folium
def render_agromap(dataframe):
m = folium.Map(location=[-15.78, -47.92], zoom_start=5)
for _, row in dataframe.iterrows():
folium.Marker(
location=[row['lat'], row['lon']],
popup=row['cultura'],
icon=folium.Icon(color='red')
).add_to(m)
st_folium(m, width=700, height=500)
import folium
from streamlit_folium import st_folium
def render_agromap(dataframe):
m = folium.Map(location=[-15.78, -47.92], zoom_start=5)
for _, row in dataframe.iterrows():
folium.Marker(
location=[row['lat'], row['lon']],
popup=row['cultura'],
icon=folium.Icon(color='red')
).add_to(m)
st_folium(m, width=700, height=500)
Data Science com experiência em Gestão de Risco na Agricultura e reconhecido como a Melhor Solução Inovadora de 2025 na Sompo.
STACK
// THE ARSENAL
Python Ecosystem
Databases
SQL
Web / App
CONTATO
Pronto para Conectar?
// INICIE A CONVERSA
JEAN LIMA ARCHIVE © 2026 // ALL RIGHTS RESERVED