Um repositório dedicado ao aprendizado e experimentação com algoritmos de Machine Learning e Deep Learning.

Este repositório contém notebooks e scripts relacionados a diferentes técnicas e aplicações de machine learning

├── ann
│   ├── cancer.ipynb
│   ├── diabetes.ipynb
│   ├── heart_disease.ipynb
│   ├── heart.csv
│   ├── AM_Doença_no_Coração_Naive_Bayes.ipynb
│   └── AM_Naive_Bayes_Experimento_Prático.ipynb
├── cnn
│   ├── stl-10_classification.ipynb
│   ├── best_model.h5
│   ├── efficientnet_fine_tuned.h5
│   ├── efficientnet_initial.h5
│   └── Lecun98.pdf
├── pinn
│   ├── data
│   ├── docs
│   ├── models
│   ├── plots
│   ├── results
│   ├── src
│   │   ├── pinn_motor_thermal.ipynb
│   ├── environment.yml
│   ├── README.md
│   ├── requirements.txt
├── rnn
│   ├── models/
│   │   ├── lstm_improved_model.h5
│   │   ├── lstm_model.h5
│   ├── lstm_temperatures.ipynb
│   ├── README.md
│   ├── requirements.txt
├── seminar
│   ├── svm
│   │   ├── svm.ipynb
│   │   └── README.md
│   │   └── requirements.txt
│   ├── xgboost
│   │   ├── xgboost.ipynb
│   │   └── requirements.txt
│   │   ├── XGBoost_exemplo.ipynb
│   │   └── README.md
├── test
│   ├── extract.py
│   ├── data/
│   ├── processamento.log
│   ├── saida.xlsx
├── introduction.ipynb
├── AM_Atividade_Avaliativa_1.ipynb
├── requirements.txt
├── LICENSE
└── README.md

• stl-10_classification.ipynb: Implementação de classificação de imagens usando o dataset STL-10 com CNN LeNet-5.
  • Modelos treinados: best_model.h5, efficientnet_fine_tuned.h5, efficientnet_initial.h5
  • Referência: Lecun98.pdf (Artigo original LeNet-5)

• cancer.ipynb: Aplicação de redes neurais para classificação de câncer.
• diabetes.ipynb: Implementação de redes neurais para previsão de diabetes.
• heart_disease.ipynb: Implementação de redes neurais para previsão de doenças cardíacas (dataset: ann/heart.csv).
• AM_Doença_no_Coração_Naive_Bayes.ipynb: Classificação de doenças cardíacas utilizando Naive Bayes (dataset: ann/heart.csv).
• AM_Naive_Bayes_Experimento_Prático.ipynb: Experimentos práticos com o algoritmo Naive Bayes.

• lstm_temperatures.ipynb: Predição de temperaturas mínimas em Melbourne usando LSTM. Mais detalhes em rnn/README.md.

• introduction.ipynb: Notebook com exercícios de revisão de conceitos de machine learning.
• AM_Atividade_Avaliativa_1.ipynb: Atividade avaliativa sobre Machine Learning.

• pinn_motor_thermal.ipynb: Implementação de Physics-Informed Neural Networks (PINNs) para resolver equações diferenciais parciais.
• README.md: Detalhes sobre a implementação e uso de PINNs.
• requirements.txt: Requisitos para o projeto.
• environment.yml: Ambiente virtual para o projeto.

• SVM (Support Vector Machines)

  • svm.ipynb: Notebook com a implementação e estudo de SVM.
  • README.md: Detalhes específicos do seminário de SVM.

• XGBoost

  • xgboost.ipynb: Notebook principal com a implementação e estudo de XGBoost.
  • XGBoost_exemplo.ipynb: Exemplo prático de uso do XGBoost.
  • README.md: Detalhes específicos do seminário de XGBoost.

Este projeto utiliza as seguintes tecnologias:

• Ciência de Dados: pandas, numpy, scikit-learn, xgboost
• Visualização: matplotlib, seaborn, plotly
• Deep Learning: keras, tensorflow
• Processamento de Imagens: OpenCV

1. Clone o repositório

2. Instale as dependências:

   pip install -r requirements.txt
   

3. Execute os notebooks Jupyter ou scripts Python conforme necessário

Modelo para prever a probabilidade de pacientes terem doenças cardíacas com base em diversos indicadores médicos como idade, sexo, tipo de dor no peito, pressão arterial, colesterol, etc. O pipeline inclui:

• Análise exploratória de dados
• Tratamento de valores ausentes e outliers
• Transformação de características
• Treinamento de modelos de classificação

Modelo para prever a probabilidade de pacientes desenvolverem diabetes com base em dados médicos. O pipeline inclui:

• Análise exploratória de dados
• Tratamento de valores ausentes e outliers
• Transformação de características
• Treinamento de modelos de classificação
• Avaliação de desempenho do modelo

Implementação de redes neurais convolucionais para classificação de imagens utilizando o dataset STL-10, que contém imagens de 10 classes diferentes. A implementação utiliza a arquitetura LeNet-5 adaptada.

Aplicação de redes neurais para classificação de dados de câncer, com foco em experimentos para otimização de hiperparâmetros, avaliação de diferentes arquiteturas e análise de desempenho em conjuntos de dados variados.

Uso de redes recorrentes do tipo LSTM para prever a temperatura mínima do dia seguinte em Melbourne. O projeto explora otimização de janelas temporais e hiperparâmetros.

Uso de Physics-Informed Neural Networks para prever a temperatura interna de motores elétricos a partir de medições de corrente e temperatura superficial. Projeto final do curso de Tópicos Especiais em Computação.

Este projeto está licenciado sob os termos da licença incluída no arquivo LICENSE.