{"id":18369577,"url":"https://github.com/henriqueotogami/curso-de-python3-udemy","last_synced_at":"2026-05-08T01:44:47.178Z","repository":{"id":149912811,"uuid":"271294817","full_name":"henriqueotogami/Curso-de-Python3-Udemy","owner":"henriqueotogami","description":"Documentos do curso de Python 3, com arquivos das aulas, e Jupyter Notebook. Conceitos de Machine Learning.","archived":false,"fork":false,"pushed_at":"2025-03-04T05:24:07.000Z","size":1252,"stargazers_count":1,"open_issues_count":0,"forks_count":0,"subscribers_count":1,"default_branch":"master","last_synced_at":"2025-03-04T06:26:19.780Z","etag":null,"topics":["iris-dataset","jupyter-notebook","linear-regression","numpy","pandas-python","python3","udemy"],"latest_commit_sha":null,"homepage":"","language":"Jupyter Notebook","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":"mit","status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/henriqueotogami.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":"LICENSE","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":"2020-06-10T14:11:45.000Z","updated_at":"2025-03-04T05:24:11.000Z","dependencies_parsed_at":null,"dependency_job_id":"ac8c71c9-c9ec-47b5-b8cf-c2234153aee9","html_url":"https://github.com/henriqueotogami/Curso-de-Python3-Udemy","commit_stats":null,"previous_names":[],"tags_count":0,"template":false,"template_full_name":null,"repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/henriqueotogami%2FCurso-de-Python3-Udemy","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/henriqueotogami%2FCurso-de-Python3-Udemy/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/henriqueotogami%2FCurso-de-Python3-Udemy/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/henriqueotogami%2FCurso-de-Python3-Udemy/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/henriqueotogami","download_url":"https://codeload.github.com/henriqueotogami/Curso-de-Python3-Udemy/tar.gz/refs/heads/master","host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":248281424,"owners_count":21077423,"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":["iris-dataset","jupyter-notebook","linear-regression","numpy","pandas-python","python3","udemy"],"created_at":"2024-11-05T23:29:52.918Z","updated_at":"2026-05-08T01:44:47.172Z","avatar_url":"https://github.com/henriqueotogami.png","language":"Jupyter Notebook","funding_links":[],"categories":[],"sub_categories":[],"readme":"# Curso de Python 3 - Udemy\n\n\u003e Repositório com materiais, códigos das aulas e Jupyter Notebooks desenvolvidos durante o curso de Python 3 na Udemy. Back-end e Machine Learning com Iris Dataset, Advertising Dataset e reconhecimento de imagens (Digits).\n\n## 📋 Sobre o Projeto\n\nEste projeto reúne os arquivos das aulas e notebooks do curso de Python 3 na Udemy, ministrado pelo **Prof. Ivan Lourenço Gomes**. Inclui exemplos de programação em Python (estruturas de dados, funções, validação), regressão linear com métricas (MAE, MSE, RMSE), uso de Pandas, Seaborn, NumPy e Scikit-learn, além de reconhecimento de imagens com SVM e K-NN no Iris e Digits Dataset.\n\n## 📁 Estrutura do Projeto\n\n### Python 3 - Início (`Python 3 - Inicio/`)\n- **Codigos das Aulas.py** — Códigos das aulas: tuplas, dicionários, loops, validação de dados, fatura\n- **Aula49.py** — Conteúdo da aula 49\n- **IMC function Code.py** — Cálculo de IMC com funções\n- **testes.py** — Scripts de teste\n\n### Machine Learning - Jupyter Notebook (`Machine Learning - Jupyter Notebook/`)\n- **iris dataset.ipynb** — Trabalho com Iris Dataset (importação, observações)\n- **Advertising Dataset.ipynb** — Regressão linear com método dos Mínimos Quadrados (Least Squares)\n- **Exercicio Regressao Linear.ipynb** — Exercício de regressão linear (train/test split, métricas)\n- **Digits Dataset.ipynb** — Reconhecimento de imagens com SVM e visualização (Matplotlib)\n- **selecionar valor de K.ipynb** — Seleção do valor de K para K-NN no Iris (accuracy por K)\n\n### JSON (`JSON/`)\n- **testes.py** — Testes relacionados a JSON\n\n## 📂 Estrutura do repositório\n\n```\nLICENSE\nREADME.md\n.gitignore\n.gitattributes\n.github/\n  FUNDING.yml\nPython 3 - Inicio/\n  Codigos das Aulas.py    # tuplas, dicionários, loops, validação, fatura\n  Aula49.py\n  IMC function Code.py\n  testes.py\nMachine Learning - Jupyter Notebook/\n  iris dataset.ipynb           # Iris Dataset\n  Advertising Dataset.ipynb    # Regressão linear - Least Squares\n  Exercicio Regressao Linear.ipynb  # exercício regressão\n  Digits Dataset.ipynb         # reconhecimento de imagens (SVM)\n  selecionar valor de K.ipynb  # K-NN, seleção de K\nJSON/\n  testes.py\n```\n\n## 🛠️ Tecnologias Utilizadas\n\n- **Python 3** — Linguagem de programação\n- **Jupyter Notebook** — Ambiente interativo para análise e ML\n- **NumPy** — Cálculos numéricos e arrays\n- **Pandas** — Manipulação de dados\n- **Matplotlib** — Visualização de dados\n- **Seaborn** — Visualização estatística\n- **Scikit-learn (sklearn)** — Machine Learning (regressão linear, SVM, K-NN, métricas)\n\n## 📝 Conteúdos e Funcionalidades\n\n### Iris Dataset\n- **Regressão linear e métricas**\n  - Least Squares Method\n  - MAE (Mean Absolute Error)\n  - MSE (Mean Squared Error)\n  - RMSE (Root Mean Square Error)\n  - Uso de Pandas, Seaborn, Sklearn e NumPy\n- **Classificação**\n  - SVM (Support Vector Machine)\n  - K-NN e seleção do valor de K (accuracy por vizinhos)\n  - Visualização com Matplotlib\n\n### Reconhecimento de imagens\n- **Digits Dataset** — Classificação de dígitos manuscritos com SVM, NumPy, Matplotlib e Sklearn\n\n### Python 3 - Fundamentos\n- Tuplas e dicionários\n- Loops e estruturas de controle\n- Validação de dados (preços, tipos)\n- Funções (ex.: IMC)\n- Fatura com lista de produtos e total\n\n## 🚀 Como Executar\n\n### Pré-requisitos\n- Python 3.x\n- Dependências: `numpy`, `pandas`, `matplotlib`, `seaborn`, `scikit-learn`, `jupyter`\n\n### Instalação das dependências\n\n```bash\npip install numpy pandas matplotlib seaborn scikit-learn jupyter\n```\n\n### Executar scripts Python\n\n```bash\n# Na pasta do projeto\npython \"Python 3 - Inicio/Codigos das Aulas.py\"\npython \"Python 3 - Inicio/IMC function Code.py\"\n```\n\n### Executar Jupyter Notebooks\n\n```bash\njupyter notebook\n# Abra a pasta \"Machine Learning - Jupyter Notebook\" e execute os .ipynb desejados\n```\n\nOu, na pasta dos notebooks:\n\n```bash\ncd \"Machine Learning - Jupyter Notebook\"\njupyter notebook\n```\n\n## 📚 Conteúdos Abordados\n\n- ✅ Estruturas básicas em Python (tuplas, dicionários, listas)\n- ✅ Entrada e saída de dados, validação\n- ✅ Loops e estruturas de controle\n- ✅ Funções\n- ✅ Regressão linear (método dos mínimos quadrados)\n- ✅ Métricas de regressão (MAE, MSE, RMSE)\n- ✅ Classificação: SVM e K-NN\n- ✅ Datasets: Iris, Advertising, Digits\n- ✅ Pandas, NumPy, Matplotlib, Seaborn, Scikit-learn\n\n## 📄 Licença\n\nEste projeto está licenciado sob a MIT License — veja o arquivo [LICENSE](LICENSE) para mais detalhes.\n\n## 📖 Referências\n\n- Curso de Python 3 na Udemy — Prof. Ivan Lourenço Gomes\n- Código-fonte em `*.py` e `*.ipynb` neste repositório\n\n---\n\n### Hashtags\n#Python3 #Udemy #MachineLearning #RegressaoLinear #SVM #KNN #IrisDataset #DigitsDataset #Pandas #NumPy #ScikitLearn #JupyterNotebook #DataScience #OpenSource #GitHub\n\n### Meta Keywords\n```\nPython 3, Udemy, curso Python, regressão linear, SVM, K-NN, Iris Dataset,\nDigits Dataset, Advertising Dataset, Pandas, NumPy, Matplotlib, Seaborn,\nScikit-learn, Jupyter Notebook, machine learning, MAE, MSE, RMSE,\nreconhecimento de imagens, código exemplo, código aberto\n```\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fhenriqueotogami%2Fcurso-de-python3-udemy","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fhenriqueotogami%2Fcurso-de-python3-udemy","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fhenriqueotogami%2Fcurso-de-python3-udemy/lists"}