{"id":34704941,"url":"https://github.com/dataforge-projects/brent-vision","last_synced_at":"2026-04-28T16:33:20.791Z","repository":{"id":286275757,"uuid":"960929910","full_name":"DataForge-projects/Brent-vision","owner":"DataForge-projects","description":"Projeto para análise de dados históricos do preço do petróleo Brent, desenvolvimento de um dashboard interativo e criação de um modelo de Machine Learning para previsão de preços. Inclui storytelling, insights relevantes e deploy de um MVP com Streamlit.","archived":false,"fork":false,"pushed_at":"2025-06-24T21:02:35.000Z","size":6958,"stargazers_count":0,"open_issues_count":0,"forks_count":2,"subscribers_count":0,"default_branch":"main","last_synced_at":"2025-12-26T11:14:51.975Z","etag":null,"topics":["dashboard","machine-learning","mvp","python","timeseries"],"latest_commit_sha":null,"homepage":"","language":"Jupyter Notebook","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/DataForge-projects.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null,"zenodo":null}},"created_at":"2025-04-05T11:30:42.000Z","updated_at":"2025-06-24T21:02:39.000Z","dependencies_parsed_at":null,"dependency_job_id":"1f0658a3-de37-4c08-9a76-e35e410b8add","html_url":"https://github.com/DataForge-projects/Brent-vision","commit_stats":null,"previous_names":["data-analitycs-pos-tech-fiap/brent-vision","dataforge-projects/brent-vision"],"tags_count":0,"template":false,"template_full_name":null,"purl":"pkg:github/DataForge-projects/Brent-vision","repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/DataForge-projects%2FBrent-vision","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/DataForge-projects%2FBrent-vision/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/DataForge-projects%2FBrent-vision/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/DataForge-projects%2FBrent-vision/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/DataForge-projects","download_url":"https://codeload.github.com/DataForge-projects/Brent-vision/tar.gz/refs/heads/main","sbom_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/DataForge-projects%2FBrent-vision/sbom","scorecard":null,"host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":286080680,"owners_count":29977966,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2026-03-01T16:35:47.903Z","status":"ssl_error","status_checked_at":"2026-03-01T16:35:44.899Z","response_time":124,"last_error":"SSL_connect returned=1 errno=0 peeraddr=140.82.121.5:443 state=error: unexpected eof while reading","robots_txt_status":"success","robots_txt_updated_at":"2025-07-24T06:49:26.215Z","robots_txt_url":"https://github.com/robots.txt","online":false,"can_crawl_api":true,"host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":["dashboard","machine-learning","mvp","python","timeseries"],"created_at":"2025-12-24T23:16:17.028Z","updated_at":"2026-03-01T18:02:51.447Z","avatar_url":"https://github.com/DataForge-projects.png","language":"Jupyter Notebook","funding_links":[],"categories":[],"sub_categories":[],"readme":"# Brent Vision\n\n![Dashboard](https://img.shields.io/badge/Dashboard-Streamlit-blue) ![Machine Learning](https://img.shields.io/badge/Machine%20Learning-Time%20Series-orange) ![Status](https://img.shields.io/badge/Status-Em%20Desenvolvimento-yellow)\n\n## Descrição do Projeto\nEste repositório contém o projeto desenvolvido para o **Tech Challenge - Fase 4** da Pós Tech. O objetivo principal é analisar os dados históricos do preço do petróleo e desenvolver soluções que auxiliem na tomada de decisão de um grande cliente do setor energético. \n\nO projeto inclui:\n- Um **dashboard interativo** com insights relevantes para análise estratégica.\n- Um **modelo de Machine Learning** para previsão diária dos preços do petróleo.\n- Um **MVP funcional** implementado com Streamlit.\n- Um **storytelling** que conecta as análises e previsões com eventos geopolíticos e econômicos.\n\n## Objetivos\n1. Criar um **dashboard interativo** que apresente insights sobre a variação do preço do petróleo.\n2. Desenvolver um **modelo preditivo de Machine Learning** utilizando séries temporais.\n3. Implementar o **deploy do modelo em produção** com ferramentas adequadas.\n4. Apresentar um **MVP funcional** utilizando Streamlit.\n5. Elaborar um vídeo explicativo de até 5 minutos detalhando o desenvolvimento do projeto.\n\n## Estrutura do Repositório\n\n📂 ouro-negro-insights/\\\n├── 📁 data/ # Base de dados histórica (não incluída, consulte as instruções para download)\\\n├── 📁 notebooks/ # Notebooks Jupyter utilizados na análise exploratória (EDA)\\\n├── 📁 src/ # Scripts principais (modelos, pré-processamento, etc.)\\\n├── 📁 dashboard/ # Código relacionado ao dashboard interativo (Streamlit)\\\n├── 📁 docs/ # Documentação adicional e relatórios\\\n├── 📁 videos/ # Vídeo explicativo do projeto\\\n\n\n## Tecnologias Utilizadas\nAs principais ferramentas e bibliotecas utilizadas no projeto são:\n- **Python**: Linguagem principal para análise de dados e desenvolvimento do modelo.\n- **Pandas e NumPy**: Manipulação e análise de dados.\n- **Matplotlib e Seaborn**: Visualização de dados.\n- **Scikit-learn**: Desenvolvimento e avaliação dos modelos de Machine Learning.\n- **Statsmodels ou TensorFlow/Keras**: Para modelagem de séries temporais (ARIMA, LSTM, etc.).\n- **Streamlit**: Deploy do MVP interativo.\n- **GitHub Projects**: Gerenciamento das tarefas.\n\nPara mais detalhes sobre o modelo ou a análise, consulte os notebooks na pasta `notebooks`.\n\n## Insights Relevantes no Dashboard\nO storytelling no dashboard apresenta os seguintes insights:\n1. Impacto de eventos geopolíticos no preço do petróleo (ex.: guerras, sanções).\n2. Relação entre crises econômicas globais e a volatilidade dos preços.\n3. Tendências sazonais ou padrões anuais nos preços históricos.\n4. Influência da demanda global por energia nas flutuações dos preços.\n\n## Modelo Preditivo\nO modelo preditivo foi desenvolvido utilizando técnicas de séries temporais, como ARIMA ou LSTM, para prever o preço diário do petróleo Brent com base nos dados históricos.\n\n### Avaliação do Modelo\nO desempenho foi avaliado utilizando métricas como:\n- RMSE (Root Mean Squared Error)\n- MAE (Mean Absolute Error)\n\nOs resultados detalhados estão disponíveis no notebook `notebooks/`.\n\n## Deploy em Produção\nO deploy foi planejado para ser realizado com Streamlit, permitindo que o cliente visualize os insights e previsões em tempo real.\n\n### Como Acessar o MVP:\nApós executar o comando `streamlit run`, acesse o endereço local fornecido no terminal (ex.: http://localhost:8501).\n\n## Contribuições\nContribuições são bem-vindas! Sinta-se à vontade para abrir issues ou enviar pull requests.\n\n## Licença\nEste projeto é apenas para fins educacionais e não possui licença específica.\n\n---\n\nDesenvolvido por [TIME 1] como parte do Tech Challenge da Pós Tech - Fase 4 🚀.\n\n\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fdataforge-projects%2Fbrent-vision","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fdataforge-projects%2Fbrent-vision","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fdataforge-projects%2Fbrent-vision/lists"}