Este repositório foi criado com o objetivo de ajudar entusiastas de Machine Learning a interagir com técnicas de ML de uma forma prática e acessível, utilizando a língua portuguesa. Aqui, encontrarás exemplos e explicações detalhadas sobre diferentes aspectos do Machine Learning, desde a preparação dos dados até as técnicas mais avançadas.
O conteúdo deste repositório está organizado em três subtemas principais, com cada técnica abordada em Notebooks separados.
Antes de aplicarmos qualquer modelo de Machine Learning, os dados precisam ser preparados. Esta secção cobre:
- Limpeza de Dados
- Transformação de Variáveis
- Normalização/Padronização
- Criação de Novas Features
- Tratamento de Dados Faltantes
Notebooks estão disponíveis na pasta 1-pre-processamento.
Nesta secção, abordaremos os algoritmos de Aprendizagem Supervisionada, onde os dados possuem rótulos para o treino do modelo. Algoritmos cobertos incluem:
- Linear Regression
- Logistic Regression
- Support Vector Machines (SVM)
- Decision Trees
- Random Forests
Notebooks estão disponíveis na pasta 2-aprendizagem-supervisionada.
A aprendizagem não supervisionada é utilizada quando os dados não possuem rótulos, e o objetivo é descobrir padrões escondidos. Algoritmos cobertos incluem:
- K-Means
- Principal Component Analysis (PCA)
- Hierarchical Clustering
- Autoencoder Neural Networks
Notebooks estão disponíveis na pasta 3-aprendizagem-nao-supervisionada.
- Python 3.x
- Jupyter Notebook ou Jupyter Lab
Os requisitos específicos para cada técnica (bibliotecas e pacotes necessários) estão indicados diretamente em cada Notebook.
- Clone este repositório:
git clone https://github.com/SluzzleDude/guia-pratico-machine-learning.git
Este repositório foi construído com o apoio da nossa comunidade — entusiastas e especialistas em Machine Learning que colaboram para compartilhar conhecimento e promover o aprendizado prático. Contribuições são sempre bem-vindas!
Por favor, consulte o Guia de Contribuições para mais detalhes sobre como contribuir para o projeto e garantir que suas submissões sigam os padrões de qualidade e consistência.