https://github.com/henriqueotogami/curso-de-python3-udemy
Documentos do curso de Python 3, com arquivos das aulas, e Jupyter Notebook. Conceitos de Machine Learning.
https://github.com/henriqueotogami/curso-de-python3-udemy
iris-dataset jupyter-notebook linear-regression numpy pandas-python python3 udemy
Last synced: about 2 months ago
JSON representation
Documentos do curso de Python 3, com arquivos das aulas, e Jupyter Notebook. Conceitos de Machine Learning.
- Host: GitHub
- URL: https://github.com/henriqueotogami/curso-de-python3-udemy
- Owner: henriqueotogami
- License: mit
- Created: 2020-06-10T14:11:45.000Z (about 6 years ago)
- Default Branch: master
- Last Pushed: 2025-03-04T05:24:07.000Z (over 1 year ago)
- Last Synced: 2025-03-04T06:26:19.780Z (over 1 year ago)
- Topics: iris-dataset, jupyter-notebook, linear-regression, numpy, pandas-python, python3, udemy
- Language: Jupyter Notebook
- Homepage:
- Size: 1.19 MB
- Stars: 1
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
# Curso de Python 3 - Udemy
> 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).
## 📋 Sobre o Projeto
Este 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.
## 📁 Estrutura do Projeto
### Python 3 - Início (`Python 3 - Inicio/`)
- **Codigos das Aulas.py** — Códigos das aulas: tuplas, dicionários, loops, validação de dados, fatura
- **Aula49.py** — Conteúdo da aula 49
- **IMC function Code.py** — Cálculo de IMC com funções
- **testes.py** — Scripts de teste
### Machine Learning - Jupyter Notebook (`Machine Learning - Jupyter Notebook/`)
- **iris dataset.ipynb** — Trabalho com Iris Dataset (importação, observações)
- **Advertising Dataset.ipynb** — Regressão linear com método dos Mínimos Quadrados (Least Squares)
- **Exercicio Regressao Linear.ipynb** — Exercício de regressão linear (train/test split, métricas)
- **Digits Dataset.ipynb** — Reconhecimento de imagens com SVM e visualização (Matplotlib)
- **selecionar valor de K.ipynb** — Seleção do valor de K para K-NN no Iris (accuracy por K)
### JSON (`JSON/`)
- **testes.py** — Testes relacionados a JSON
## 📂 Estrutura do repositório
```
LICENSE
README.md
.gitignore
.gitattributes
.github/
FUNDING.yml
Python 3 - Inicio/
Codigos das Aulas.py # tuplas, dicionários, loops, validação, fatura
Aula49.py
IMC function Code.py
testes.py
Machine Learning - Jupyter Notebook/
iris dataset.ipynb # Iris Dataset
Advertising Dataset.ipynb # Regressão linear - Least Squares
Exercicio Regressao Linear.ipynb # exercício regressão
Digits Dataset.ipynb # reconhecimento de imagens (SVM)
selecionar valor de K.ipynb # K-NN, seleção de K
JSON/
testes.py
```
## 🛠️ Tecnologias Utilizadas
- **Python 3** — Linguagem de programação
- **Jupyter Notebook** — Ambiente interativo para análise e ML
- **NumPy** — Cálculos numéricos e arrays
- **Pandas** — Manipulação de dados
- **Matplotlib** — Visualização de dados
- **Seaborn** — Visualização estatística
- **Scikit-learn (sklearn)** — Machine Learning (regressão linear, SVM, K-NN, métricas)
## 📝 Conteúdos e Funcionalidades
### Iris Dataset
- **Regressão linear e métricas**
- Least Squares Method
- MAE (Mean Absolute Error)
- MSE (Mean Squared Error)
- RMSE (Root Mean Square Error)
- Uso de Pandas, Seaborn, Sklearn e NumPy
- **Classificação**
- SVM (Support Vector Machine)
- K-NN e seleção do valor de K (accuracy por vizinhos)
- Visualização com Matplotlib
### Reconhecimento de imagens
- **Digits Dataset** — Classificação de dígitos manuscritos com SVM, NumPy, Matplotlib e Sklearn
### Python 3 - Fundamentos
- Tuplas e dicionários
- Loops e estruturas de controle
- Validação de dados (preços, tipos)
- Funções (ex.: IMC)
- Fatura com lista de produtos e total
## 🚀 Como Executar
### Pré-requisitos
- Python 3.x
- Dependências: `numpy`, `pandas`, `matplotlib`, `seaborn`, `scikit-learn`, `jupyter`
### Instalação das dependências
```bash
pip install numpy pandas matplotlib seaborn scikit-learn jupyter
```
### Executar scripts Python
```bash
# Na pasta do projeto
python "Python 3 - Inicio/Codigos das Aulas.py"
python "Python 3 - Inicio/IMC function Code.py"
```
### Executar Jupyter Notebooks
```bash
jupyter notebook
# Abra a pasta "Machine Learning - Jupyter Notebook" e execute os .ipynb desejados
```
Ou, na pasta dos notebooks:
```bash
cd "Machine Learning - Jupyter Notebook"
jupyter notebook
```
## 📚 Conteúdos Abordados
- ✅ Estruturas básicas em Python (tuplas, dicionários, listas)
- ✅ Entrada e saída de dados, validação
- ✅ Loops e estruturas de controle
- ✅ Funções
- ✅ Regressão linear (método dos mínimos quadrados)
- ✅ Métricas de regressão (MAE, MSE, RMSE)
- ✅ Classificação: SVM e K-NN
- ✅ Datasets: Iris, Advertising, Digits
- ✅ Pandas, NumPy, Matplotlib, Seaborn, Scikit-learn
## 📄 Licença
Este projeto está licenciado sob a MIT License — veja o arquivo [LICENSE](LICENSE) para mais detalhes.
## 📖 Referências
- Curso de Python 3 na Udemy — Prof. Ivan Lourenço Gomes
- Código-fonte em `*.py` e `*.ipynb` neste repositório
---
### Hashtags
#Python3 #Udemy #MachineLearning #RegressaoLinear #SVM #KNN #IrisDataset #DigitsDataset #Pandas #NumPy #ScikitLearn #JupyterNotebook #DataScience #OpenSource #GitHub
### Meta Keywords
```
Python 3, Udemy, curso Python, regressão linear, SVM, K-NN, Iris Dataset,
Digits Dataset, Advertising Dataset, Pandas, NumPy, Matplotlib, Seaborn,
Scikit-learn, Jupyter Notebook, machine learning, MAE, MSE, RMSE,
reconhecimento de imagens, código exemplo, código aberto
```