README.md

💻 Data Science and Analytics 🧑‍💻

Bem-vindo 🤗 ao repositório de estudos sobre Ciência de Dados, com foco Análises Exploratória de Dados e modelagens em machine learning aplicadas à ciência de dados e análise. A modelagem em machine learning consiste no processo de criar, treinar e validar modelos computacionais que aprendem padrões a partir de dados. São uma gama de modelos amplamente utilizados para resolver problemas complexos em diversas áreas, os quais envolvem a previsão (regressão), classificação, agrupamento/segmentação e detecção de anomalias (por exemplo, outliers). Compartilho exemplos práticos sobre a para utilização de bibliotecas em Python, voltadas:

🎯 Visualização e Análise de Dados:

• Exemplos práticos para Análise Exploratória de Dados usando bibliotecas como:
• Matplotlib para criação de gráficos e visualizações;
• Pandas para manipulação e análise de dados;
• Seaborn para visualização e análieses estatística de dados;
• Numpy para computação numérica, incluindo arrays multidimensionais.

🚀 Machine Learning:

• Construção e avaliação de modelos de regressão, classificação e agrupamento usando bibliotecas, como:
• Scikit-learn para modelagens preditivas usando aprendizado de máquina.
• SnapML, desenvolvida pela IBM, com ênfase em alto desempenho e escalabilidade, projetada para lidar com grandes volumes de dados, utilizando técnicas de paralelismo e aceleração por GPU.

🌟 Objetivos:

• Compartilhar soluções didáticas e bem documentadas para quem está estudando Ciência de Dados, servindo como base de consulta.

📝 Conteúdo do Repositório

• Modelagens utilizando Machine Learn:
• Regressão
  • Regressão Linear Simples e Múltipla
  • Regressão Polinomial
  • Regressão Logística
• Classificação
  • K-Vizinhos Mais Próximos (K-Nearest Neighbors K-NN)
  • Árvores de Decisão (Decision Trees)
  • Máquina de Vetores de Suporte (Support Vector Machines)
  • Support Vector Machines (SVM) aplicado à detecção de fraudes em transações
• Agrupamento/Clustering
  • k-Means
  • k-Means aplicado à segmentação de clientes
  • Agrupamento Hierárquico Aglomerativo (Agglomerative Hierarchical Clustering)
  • Agrupamento Hierárquico Aglomerativo: aplicado à análise de mercado automotivo
  • DBSCAN: Clusterização espacial utilizando dados de estações meteorológicas do Canada
• Comparação de Desempenho Preditivo:
  • Comparação simplificada do desempenho dos modelos KNN, Decision Tree, SVM e Logistic Regression
  • Modelagem completa e comparação de modelos em machine learn para prever resultados de torneios de basquete

Machine Learning with Python
This credential earner understands the basics of machine learning using Python such as: Distinguishing the difference between the two main types of machine learning methods: supervised & unsupervised; Identifying supervised learning algorithms, including classification & regression; Identifying unsupervised learning algorithms, including Clustering & Dimensionality Reduction; Determining how statistical modeling relates to machine learning & comparing them; How machine learning affects society.

📚 Referências

• BARROS, Thiago Medeiros. Um processo orientado a dados para geração de modelo de predição de evasão escolar / tese (doutorado) - PPgEEC/UFRN, Natal/RN, 2020.
• GÉRON, A. Hands-On machine learning with scikit-learn, keras & tensorflow farnham. Canada: O’Reilly, 2023.
• GUJARATI, Damodar N. Essentials of econometrics. Sage Publications, 2021.

---

🤝 Contribuições

Contribuições são bem-vindas! Se você deseja aprimorar as soluções ou adicionar explicações, sinta-se à vontade para abrir um Pull Request.

---

🚀 Compartilhe conhecimento e inspire futuros cientistas de dados!