https://github.com/marco0antonio0/projeto-de-analise-preditiva-para-subscricao-de-depositos-a-prazo-bancarios

Este projeto visa aplicar técnicas avançadas de aprendizado de máquina para analisar e prever a probabilidade de clientes de um banco subscreverem a depósitos a prazo.
https://github.com/marco0antonio0/projeto-de-analise-preditiva-para-subscricao-de-depositos-a-prazo-bancarios

learn

Last synced: about 2 months ago
JSON representation

Este projeto visa aplicar técnicas avançadas de aprendizado de máquina para analisar e prever a probabilidade de clientes de um banco subscreverem a depósitos a prazo.

• Host: GitHub
• URL: https://github.com/marco0antonio0/projeto-de-analise-preditiva-para-subscricao-de-depositos-a-prazo-bancarios
• Owner: marco0antonio0
• License: mit
• Created: 2024-05-13T21:25:32.000Z (8 months ago)
• Default Branch: main
• Last Pushed: 2024-05-23T01:56:32.000Z (8 months ago)
• Last Synced: 2024-10-13T04:26:38.627Z (3 months ago)
• Topics: learn
• Language: Jupyter Notebook
• Size: 592 KB
• Stars: 0
• Watchers: 1
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: readme.MD

Awesome Lists containing this project

README

        
# Projeto de Análise Preditiva para Subscrição de Depósitos a Prazo Bancários

## Descrição do Projeto

Este projeto visa aplicar técnicas avançadas de aprendizado de máquina para analisar e prever a probabilidade de clientes de um banco subscreverem a depósitos a prazo. Utilizando um conjunto de dados fornecido pelo [UCI Machine Learning Repository](https://archive.ics.uci.edu/dataset/222/bank+marketing), nosso objetivo é desenvolver um modelo que possa ajudar instituições financeiras a otimizar estratégias de marketing e melhorar a eficácia na captação de novos clientes.

## Objetivo

Demonstrar a aplicabilidade e eficácia de diferentes algoritmos de aprendizado de máquina, incluindo:

- Tratamento de dados

- Redes Neurais

- Treinamnto do modelo

- Teste em 3 modelos

- Escolha do melhor modelo

Os modelos serão avaliados com base em sua precisão e eficácia na previsão de novas subscrições, contribuindo assim para estratégias mais informadas e direcionadas de marketing bancário.

## Estrutura do Repositório

- `Dados de analise modelo 1`: analise do modelo com ativador tanh com 3 camadas ,camada de saida sigmoid modelo se encontra em: `/analise/analise_model_1`

- `Dados de analise modelo 2`: analise do modelo com ativador relu com 3 camadas ,camada de saida sigmoid modelo se encontra em: `/analise/analise_model_2`

- `Dados de analise de diversos modelos`: analise de diversos modelos com ativadores tanh,relu,sigmoid com 3 camadas ,camada de saida sigmoid modelo se encontra em: `/analise/analiseParametros`