Trainees 1 - Cirrosifier: Análise de Dados da Cirrose

Sobre o Projeto

Este repositório contém todos os estudos e análises realizados durante a diretoria de Trainees 1 da rotação 2024.1 da @TAIL (Liga de Inteligência Artificial e Tecnologia), na UFPB. No projeto "Cirrosifier", analisamos os dados do dataset Liver Cirrhosis Stage Classification com o objetivo de:

• Realizar Análise Exploratória de Dados (EDA) sobre a doença Cirrose Biliar Primaria (CBP);
• Desenvolver algoritmos de Machine Learning para prever o estágio e a situação da doença nos pacientes.

O projeto foi desenvolvido utilizando o ambiente Jupyter Notebook no VS Code, com Python e suas principais bibliotecas de análise de dados e machine learning: pandas, numpy, matplotlib, seaborn, scikit-learn e tensorflow.

Na próxima seção, detalharemos o conteúdo de cada pasta e arquivo do repositório para facilitar a navegação e o aprendizado.

Pastas e Arquivos

"data"

A pasta data contém todos os dados utilizados no projeto, organizados em subpastas:

• "dados_brutos": Armazena os dados brutos extraídos do dataset original, sem pré-processamento.
• "dados_processados": Contém os arquivos CSV processados e prontos para serem utilizados nos notebooks. Para mais detalhes sobre cada arquivo, consulte o notebook pre_processamento.ipynb na pasta notebooks.

"notebooks"

A pasta notebooks concentra o desenvolvimento das análises e modelos de machine learning:

• Pasta "models": Armazena os modelos de machine learning desenvolvidos, separados em pastas específicas:
  • modelos_estagio: Modelos para prever o estágio da cirrose.
  • modelos_morte: Modelos para prever a mortalidade por cirrose.
• Pasta "scalers": Guarda os scalers utilizados nos modelos, com a mesma estrutura de pastas dos modelos:
  • scalers_estagio: Scalers para os modelos de previsão de estágio.
  • scalers_morte: Scalers para os modelos de previsão de mortalidade.
• Notebook "classificacao_estagio.ipynb": Desenvolvimento dos modelos de machine learning para prever o estágio da cirrose.
• Notebook "classificacao_mortes.ipynb": Desenvolvimento dos modelos de machine learning para prever a situação do paciente.
• Notebook "eda_completo.ipynb": Realização da Análise Exploratória de Dados (EDA), com insights sobre os dados e visualizações explicativas das features.
• Notebook "pre_processamento.ipynb": Limpeza do dataframe, tratamento de dados ausentes e duplicados, tradução de nomes de colunas e outras etapas de pré-processamento.

Veja Mais

• Artigo no Medium: Cirrosifier - Detalhes sobre o projeto, metodologia e resultados.
• Site do Projeto: Aplicação no Streamlit - Aplicação web com o modelo de previsão de estágio e mortalidade por cirrose.
• Mais Sobre a TAIL: Site da TAIL - Outros projetos da nossa Liga Acadêmica.

Agradecimentos

• Agradecemos à TAIL pela oportunidade de realizar este projeto e esperamos que tenham gostado do projeto. Se você leu até aqui, muito obrigado, e bons estudos!