{"id":25641929,"url":"https://github.com/emv271828/diabetes_cdc_uci_machine_learning","last_synced_at":"2026-04-15T14:02:50.881Z","repository":{"id":278827049,"uuid":"936902415","full_name":"EMV271828/diabetes_cdc_uci_machine_learning","owner":"EMV271828","description":"Segunda avaliação para a disciplina de Inteligência Artificial da Universidade Federal Fluminense.","archived":false,"fork":false,"pushed_at":"2025-02-21T23:06:11.000Z","size":7983,"stargazers_count":0,"open_issues_count":0,"forks_count":0,"subscribers_count":1,"default_branch":"main","last_synced_at":"2025-02-21T23:43:44.841Z","etag":null,"topics":["jupyter-notebook","machine-learning","pandas","python","scikit-learn"],"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/EMV271828.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}},"created_at":"2025-02-21T22:28:14.000Z","updated_at":"2025-02-21T23:07:29.000Z","dependencies_parsed_at":"2025-02-21T23:54:00.269Z","dependency_job_id":null,"html_url":"https://github.com/EMV271828/diabetes_cdc_uci_machine_learning","commit_stats":null,"previous_names":["emv271828/diabetes_kaggle_machine_learning"],"tags_count":0,"template":false,"template_full_name":null,"repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/EMV271828%2Fdiabetes_cdc_uci_machine_learning","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/EMV271828%2Fdiabetes_cdc_uci_machine_learning/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/EMV271828%2Fdiabetes_cdc_uci_machine_learning/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/EMV271828%2Fdiabetes_cdc_uci_machine_learning/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/EMV271828","download_url":"https://codeload.github.com/EMV271828/diabetes_cdc_uci_machine_learning/tar.gz/refs/heads/main","host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":240271532,"owners_count":19774859,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2022-07-04T15:15:14.044Z","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":["jupyter-notebook","machine-learning","pandas","python","scikit-learn"],"created_at":"2025-02-23T05:16:31.209Z","updated_at":"2026-04-15T14:02:50.805Z","avatar_url":"https://github.com/EMV271828.png","language":"Jupyter Notebook","funding_links":[],"categories":[],"sub_categories":[],"readme":"# UCI - Dataset CDC Diabetes Health Indicators - Machine Learning\n\n## Resumo\nUso de técnicas de machine learning no dataset CDC Diabetes Health Indicators - com maiores informações [neste link](https://archive.ics.uci.edu/dataset/891/cdc+diabetes+health+indicators) - como forma de avaliação para a disciplina de Inteligência Artificial, da Universidade Federal Fluminense. Este dataset contém informações sobre pessoas envolvidas em uma pesquisa diagnóstica sobre diabetes.\n\n## Objetivos da avaliação\n- Implementar em Python códigos para Árvores de Decisão, Random Forest e Rede Neural Multilayer Perceptron\n- Para cada algoritmo, listar as taxas de acurácia e F1 obtidas para cada conjunto de parâmetros\n- Explicar a divisão do conjunto de dados para treinamento e teste\n- Avaliar a performance dos algoritmos do ponto de vista da métrica e da explicabilidade desses algoritmos\n- Análise crítica de escolher e colocar um modelo em produção para o domínio do dataset selecionado\n\n## Tecnologias utilizadas\n- ``Pandas``: visualização e manipulação de dados\n- ``Scikit Learn``: principais métodos utilizados no trabalho (Decision Tree, Random Forest, Multilayer Perceptron,...)\n- ``Seaborn``: visualização das matrizes de correlação e confusão\n- ``ucimlrepo``: obtenção dos dados do dataset\n- ``Matplotlib``: usado em conjunto com seaborn para visualização de dados\n- ``Graphviz``: visualização das árvores de decisão\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Femv271828%2Fdiabetes_cdc_uci_machine_learning","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Femv271828%2Fdiabetes_cdc_uci_machine_learning","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Femv271828%2Fdiabetes_cdc_uci_machine_learning/lists"}