https://github.com/dataforge-projects/brent-vision

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.
https://github.com/dataforge-projects/brent-vision

dashboard machine-learning mvp python timeseries

Last synced: about 1 month ago
JSON representation

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.

• Host: GitHub
• URL: https://github.com/dataforge-projects/brent-vision
• Owner: DataForge-projects
• Created: 2025-04-05T11:30:42.000Z (about 1 year ago)
• Default Branch: main
• Last Pushed: 2025-06-24T21:02:35.000Z (12 months ago)
• Last Synced: 2025-12-26T11:14:51.975Z (5 months ago)
• Topics: dashboard, machine-learning, mvp, python, timeseries
• Language: Jupyter Notebook
• Homepage:
• Size: 6.64 MB
• Stars: 0
• Watchers: 0
• Forks: 2
• Open Issues: 0
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

          
# Brent Vision

![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)

## Descrição do Projeto

Este 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. 

O projeto inclui:

- Um **dashboard interativo** com insights relevantes para análise estratégica.

- Um **modelo de Machine Learning** para previsão diária dos preços do petróleo.

- Um **MVP funcional** implementado com Streamlit.

- Um **storytelling** que conecta as análises e previsões com eventos geopolíticos e econômicos.

## Objetivos

1. Criar um **dashboard interativo** que apresente insights sobre a variação do preço do petróleo.

2. Desenvolver um **modelo preditivo de Machine Learning** utilizando séries temporais.

3. Implementar o **deploy do modelo em produção** com ferramentas adequadas.

4. Apresentar um **MVP funcional** utilizando Streamlit.

5. Elaborar um vídeo explicativo de até 5 minutos detalhando o desenvolvimento do projeto.

## Estrutura do Repositório

📂 ouro-negro-insights/\

├── 📁 data/ # Base de dados histórica (não incluída, consulte as instruções para download)\

├── 📁 notebooks/ # Notebooks Jupyter utilizados na análise exploratória (EDA)\

├── 📁 src/ # Scripts principais (modelos, pré-processamento, etc.)\

├── 📁 dashboard/ # Código relacionado ao dashboard interativo (Streamlit)\

├── 📁 docs/ # Documentação adicional e relatórios\

├── 📁 videos/ # Vídeo explicativo do projeto\

## Tecnologias Utilizadas

As principais ferramentas e bibliotecas utilizadas no projeto são:

- **Python**: Linguagem principal para análise de dados e desenvolvimento do modelo.

- **Pandas e NumPy**: Manipulação e análise de dados.

- **Matplotlib e Seaborn**: Visualização de dados.

- **Scikit-learn**: Desenvolvimento e avaliação dos modelos de Machine Learning.

- **Statsmodels ou TensorFlow/Keras**: Para modelagem de séries temporais (ARIMA, LSTM, etc.).

- **Streamlit**: Deploy do MVP interativo.

- **GitHub Projects**: Gerenciamento das tarefas.

Para mais detalhes sobre o modelo ou a análise, consulte os notebooks na pasta `notebooks`.

## Insights Relevantes no Dashboard

O storytelling no dashboard apresenta os seguintes insights:

1. Impacto de eventos geopolíticos no preço do petróleo (ex.: guerras, sanções).

2. Relação entre crises econômicas globais e a volatilidade dos preços.

3. Tendências sazonais ou padrões anuais nos preços históricos.

4. Influência da demanda global por energia nas flutuações dos preços.

## Modelo Preditivo

O 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.

### Avaliação do Modelo

O desempenho foi avaliado utilizando métricas como:

- RMSE (Root Mean Squared Error)

- MAE (Mean Absolute Error)

Os resultados detalhados estão disponíveis no notebook `notebooks/`.

## Deploy em Produção

O deploy foi planejado para ser realizado com Streamlit, permitindo que o cliente visualize os insights e previsões em tempo real.

### Como Acessar o MVP:

Após executar o comando `streamlit run`, acesse o endereço local fornecido no terminal (ex.: http://localhost:8501).

## Contribuições

Contribuições são bem-vindas! Sinta-se à vontade para abrir issues ou enviar pull requests.

## Licença

Este projeto é apenas para fins educacionais e não possui licença específica.

---

Desenvolvido por [TIME 1] como parte do Tech Challenge da Pós Tech - Fase 4 🚀.