MICHEL SANTANA

DATA ENGINEER / DATA SCIENTIST

00:00 / 04:00

DOWNLOAD RESUME

GITHUB

Certificações Databricks

Databricks Certified Data Engineer Associate.png

Partner Training - Advantages of Expanding EDW with Data Intelligence.png

Academy Accreditation - Generative AI Fundamentals.png

Academy Accreditation - Databricks Lakehouse Fundamentals.png

Academy Accreditation - Databricks Fundamentals.png

ABOUT

Data Engineer

Bem-vindo ao meu portfólio! Aqui você encontrará a essência do meu trabalho como engenheiro de dados: transformar desafios em soluções, dados em insights e ideias em resultados.

Seja construindo pipelines robustos, otimizando sistemas ou extraindo valor de grandes volumes de dados, estou sempre à procura de novas maneiras de agregar impacto real aos projetos em que trabalho.

Explore, inspire-se e sinta-se à vontade para entrar em contato!

SKILLS

Areas of Expertise

Big Data.
ETL/ELT Pipelines.
Cloud Computing.
Database Management.
Data Modeling and Analysis.
Data Integration & Transformation.
Automation and Process Improvement.
Programming & Scripting.
Data Orchestration.
DevOps & CI/CD.
Data Visualization & Reporting.
Machine Learning & Analytics.
Security in Data Migration

October 2024

Data Engineer /

Fleury / Pardini

Criação e manutenção de pipelines de ETL (extração, transformação e carregamento) básicos, seguindo orientações de engenheiros mais experientes.
Integração de diferentes fontes de dados estruturados e não estruturados (SQL, NoSQL, APIs) para sistemas de data lake ou data warehouse.
Limpeza, transformação e preparação de dados para análises, utilizando ferramentas como Python, Pandas ou SQL.
Suporte para cientistas de dados, garantindo que os dados estejam disponíveis e devidamente estruturados para análises e modelagem.
Documentação de pipelines de dados, fluxos de trabalho e soluções implementadas, garantindo que outros membros da equipe possam entender e reproduzir o trabalho.
Trabalho em conjunto com outros engenheiros, cientistas de dados e analistas para implementar soluções de dados e atender às necessidades do negócio.
Escrever e otimizar consultas SQL para acessar, transformar e carregar dados em diferentes plataformas de banco de dados.
Acompanhar a execução de pipelines de dados e corrigir falhas sob orientação de engenheiros mais experientes.

Abril 2023

Data Engineer /

Dataside

Coletar dados de diferentes fontes (bancos de dados, APIs, arquivos) e garantir sua integridade e consistência.
Realizar transformações para limpar e preparar os dados para análise ou uso em pipelines.
Construir e manter pipelines de dados para mover e processar dados entre sistemas.
Automatizar processos de ETL (Extração, Transformação e Carga) sob supervisão de engenheiros de dados mais experientes.
Auxiliar na integração de dados de fontes internas e externas, garantindo que estejam no formato adequado para uso.
Suporte na manutenção de bancos de dados relacionais (como SQL Server, MySQL) e não-relacionais (MongoDB, Cassandra).
Documentar os pipelines de dados e fluxos de trabalho, detalhando as transformações e manipulações realizadas.
Colaborar na migração de dados para plataformas de nuvem como GCP, AWS ou Azure.
Auxiliar na configuração de serviços em nuvem como BigQuery, Azure SQL Database, ou armazenamento em cloud (Google Cloud Storage, S3).
Automatizar tarefas manuais e repetitivas com scripts em Python, Bash ou ferramentas de automação.
Utilizar frameworks de automação para integração contínua (CI/CD) em pipelines de dados.
Acompanhar engenheiros de dados seniores em projetos complexos para ganhar experiência e conhecimento.
Suportar na criação de datasets para análise e dashboards de visualização.

Dezembro 2022 – Dezembro 2024

Cientista de dados /

Escola DNC

Aprender a coletar dados de diversas fontes (públicas, APIs, arquivos CSV, bancos de dados) e realizar a limpeza para remover valores nulos, duplicados ou inconsistentes.
Aplicar transformações básicas como normalização, codificação de variáveis categóricas e tratamento de outliers.
Utilizar ferramentas como Python (Pandas, Matplotlib, Seaborn) ou R para explorar os dados, gerando gráficos e estatísticas descritivas para entender padrões e distribuições.
Identificar correlações e relações entre variáveis para ajudar na formulação de hipóteses.
Aprender a manipular grandes volumes de dados utilizando bibliotecas como Pandas, NumPy e SQL.
Realizar operações como merge, join, group by e pivot, preparando os dados para análises mais complexas.
Experimentar com algoritmos de aprendizado de máquina supervisionado (regressão linear, árvores de decisão, SVM, etc.) e não supervisionado (k-means, clustering, PCA) utilizando bibliotecas como Scikit-learn ou TensorFlow.
Aplicar conceitos de estatística básica (média, variância, desvio padrão) e testes de hipótese (teste t, ANOVA) para analisar a significância dos resultados.