https://github.com/natanaelvich/ai-for-devs_introduction
Repository for learning and exploring AI development concepts using Python, including Jupyter notebooks for hands-on experimentation and model creation.
https://github.com/natanaelvich/ai-for-devs_introduction
ai-development artificial-intelligence jupyter-notebook machine-learning python
Last synced: 5 months ago
JSON representation
Repository for learning and exploring AI development concepts using Python, including Jupyter notebooks for hands-on experimentation and model creation.
- Host: GitHub
- URL: https://github.com/natanaelvich/ai-for-devs_introduction
- Owner: Natanaelvich
- License: mit
- Created: 2025-02-09T21:24:06.000Z (over 1 year ago)
- Default Branch: main
- Last Pushed: 2025-02-25T11:58:27.000Z (over 1 year ago)
- Last Synced: 2025-04-05T19:36:08.616Z (about 1 year ago)
- Topics: ai-development, artificial-intelligence, jupyter-notebook, machine-learning, python
- Language: Jupyter Notebook
- Size: 13.7 KB
- Stars: 2
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
# AI Introduction Project
Este é um projeto de introdução à Inteligência Artificial usando Python e Jupyter Notebook, focado em aprendizado de máquina e análise de dados.
## Estrutura do Projeto
```
.
├── ai-creating/
│ ├── ai-model.ipynb # Notebook com modelo de previsão de preços de casas
│ └── requirements.txt # Dependências do notebook
├── ai-applying/ # Diretório para aplicações práticas de IA
│ └── gptAPI.py # Exemplo de uso da API do GPT
├── app.py # API Flask para o projeto
├── api-tests.http # Testes de API usando REST Client
├── requirements.txt # Dependências do projeto completo
├── LICENSE # Licença do projeto
└── README.md # Este arquivo
```
## Sobre o Projeto
O projeto contém implementações práticas de IA, incluindo:
- Modelo de regressão linear para previsão de preços de casas na Califórnia
- Utilização do dataset California Housing do scikit-learn
- Pré-processamento de dados com StandardScaler
- Avaliação de modelo usando train-test split
- API REST para acesso às funcionalidades de IA
- Integração com a API do OpenAI GPT
## Requisitos
- Python 3.13.2
- Jupyter Notebook
- Principais dependências:
- flask
- pandas
- scikit-learn
- numpy
- openai
## Instalação
1. Clone o repositório:
```bash
git clone https://github.com/Natanaelvich/ai-for-devs_introduction.git
cd ai-for-devs_introduction
```
2. Crie um ambiente virtual (recomendado):
```bash
python -m venv .venv
source .venv/bin/activate # No Linux/Mac
# ou
.venv\Scripts\activate # No Windows
```
3. Instale as dependências:
```bash
pip install -r requirements.txt
```
4. Configure as variáveis de ambiente:
Crie um arquivo `.env` na raiz do projeto com:
```
OPENAI_API_KEY=sua_chave_api_openai
```
## Uso
### Jupyter Notebook
1. Ative o ambiente virtual (se estiver usando)
2. Navegue até o diretório do projeto
3. Inicie o Jupyter Notebook:
```bash
jupyter notebook
```
4. Abra o notebook desejado:
- `ai-creating/ai-model.ipynb` para o modelo de previsão de preços de casas
### API REST
1. Ative o ambiente virtual
2. Inicie o servidor Flask:
```bash
python app.py
```
3. O servidor estará disponível em `http://localhost:5000`
## API Endpoints
### Health Check
```
GET /api/health
```
Verifica o status da API e se o modelo está carregado.
### Treinar Modelo
```
POST /api/train
Content-Type: application/json
```
Treina o modelo de previsão de preços de casas usando o dataset California Housing.
### Prever Preço
```
POST /api/predict
Content-Type: application/json
{
"MedInc": 8.3252,
"HouseAge": 41.0,
"AveRooms": 6.984127,
"AveBedrms": 1.023810,
"Population": 322.0,
"AveOccup": 2.555556,
"Latitude": 37.88,
"Longitude": -122.23
}
```
Faz uma previsão de preço de casa com base nos parâmetros fornecidos.
### Consultar GPT
```
POST /api/gpt
Content-Type: application/json
{
"prompt": "Sua pergunta aqui",
"system": "Instrução para o sistema (opcional)",
"model": "Nome do modelo (opcional, padrão: gpt-4o-mini)"
}
```
Envia uma consulta para a API do OpenAI GPT e retorna a resposta.
## Testes da API
O projeto inclui um arquivo `api-tests.http` que pode ser usado com a extensão REST Client do VS Code para testar todos os endpoints da API.
## Licença
Este projeto está licenciado sob a Licença MIT - veja o arquivo [LICENSE](LICENSE) para detalhes.