https://github.com/P4dro-Dev/5-questoes-medianas-de-Machine-Learning-
Nesse desafio, realizei no total de 5 questões medianas de Machine Learning (Aprendizagem de Máquina) Na qual foi um exercício do curo Técnico em Informática. Para exercitarmos nossos conhecimentos sobre: Aprendizado de Máquina com Python, e desenvolver a nossa lógica de programação!
https://github.com/P4dro-Dev/5-questoes-medianas-de-Machine-Learning-
aprendizado-de-maquina marchinelearning python-app python-library python-script
Last synced: 9 months ago
JSON representation
Nesse desafio, realizei no total de 5 questões medianas de Machine Learning (Aprendizagem de Máquina) Na qual foi um exercício do curo Técnico em Informática. Para exercitarmos nossos conhecimentos sobre: Aprendizado de Máquina com Python, e desenvolver a nossa lógica de programação!
- Host: GitHub
- URL: https://github.com/P4dro-Dev/5-questoes-medianas-de-Machine-Learning-
- Owner: BackandDeveloper
- Created: 2024-12-27T22:57:51.000Z (over 1 year ago)
- Default Branch: main
- Last Pushed: 2025-01-07T02:40:53.000Z (over 1 year ago)
- Last Synced: 2025-01-13T06:58:42.366Z (over 1 year ago)
- Topics: aprendizado-de-maquina, marchinelearning, python-app, python-library, python-script
- Language: Python
- Homepage:
- Size: 101 KB
- Stars: 2
- Watchers: 2
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
## 🖥️| Projeto de Aprendizado de Máquina com Python
## 📄| Descrição
Este projeto contém três questões medianas de aprendizado de máquina resolvidas com Python. O objetivo é demonstrar habilidades práticas na aplicação de algoritmos de aprendizado de máquina para resolver problemas específicos.
## 🗂️| Estrutura do Projeto
- `data/`: Contém os conjuntos de dados utilizados nas questões.
- `notebooks/`: Contém os notebooks Jupyter com as soluções das questões.
- `scripts/`: Contém scripts Python utilizados para preprocessamento de dados e treinamento de modelos.
- `results/`: Contém os resultados e visualizações gerados pelos notebooks.
## 📑| Questões
1. **Questão 1: Classificador KNN para o conjunto de dados Iris**
- Algoritmo utilizado: K-Nearest Neighbors (KNN)
- Descrição da solução: Implementação de um classificador KNN para o conjunto de dados Iris, com divisão dos dados em conjuntos de treino e teste, treinamento do modelo e avaliação da precisão.
2. **Questão 2: Regressão Linear para prever o preço de casas com base no conjunto de dados Boston Housing**
- Algoritmo utilizado: Regressão Linear
- Descrição da solução: Utilização da regressão linear para prever o preço de casas, com divisão dos dados, treinamento do modelo e avaliação do desempenho usando o erro quadrático médio (MSE).
3. **Questão 3: Árvore de Decisão para classificar o conjunto de dados Wine**
- Algoritmo utilizado: Árvore de Decisão
- Descrição da solução: Implementação de uma árvore de decisão para classificar o conjunto de dados Wine, com divisão dos dados, treinamento do modelo e avaliação da precisão.
4. **Questão 4: Clusterização K-Means do conjunto de dados Iris**
- Algoritmo utilizado: K-Means
- Descrição da solução: Utilização do algoritmo K-Means para agrupar o conjunto de dados Iris e visualização dos clusters resultantes.
5. **Questão 5: Análise de Componentes Principais (PCA) do conjunto de dados Digits**
- Algoritmo utilizado: PCA
- Descrição da solução: Aplicação da Análise de Componentes Principais (PCA) ao conjunto de dados Digits para reduzir a dimensionalidade para 2 componentes principais e visualização dos dados.
## 📋| Requisitos
- Python 3.x
- Bibliotecas necessárias:
- numpy
- pandas
- scikit-learn
- matplotlib
- seaborn
- jupyter
## 📖| Como Executar
1. Clone este repositório:
```bash
git clone https://github.com/BackandDeveloper/seu-repositorio.git
2. Navegue até o diretório do projeto:
```bash
cd seu-repositorio
3. Instale as dependências
```bash
pip install -r requirements.txt
4. Execute os notebooks Jupyter:
```bash
jupyter notebook
## 🗒️| Resultados
Os resultados das análises e modelos treinados estão disponíveis na pasta results/. Cada notebook contém visualizações e métricas de desempenho dos modelos.
## 👥| Contribuições
Contribuições são bem-vindas! Sinta-se à vontade para abrir issues e pull requests.
## 📑| Licença
Este projeto está licenciado sob a MIT License.
## 📱| Contato
Para mais informações, entre em contato:
📧 | Email: henrique.pedro62@aluno.ifce.edu.br