🖥️| 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:

   git clone https://github.com/BackandDeveloper/seu-repositorio.git
   

2. Navegue até o diretório do projeto:

   cd seu-repositorio
   

3. Instale as dependências

   pip install -r requirements.txt
   

4. Execute os notebooks Jupyter:

   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