Projetos de Estudos em Python para Análise de Dados

Este repositório contém dois projetos de estudos em Python para análise de dados.

Projeto 1: Regressão Linear para Previsão de Casos de Dengue

Este projeto da faculdade de Ciência da Computação utiliza regressão linear para prever o número de casos de dengue com base em dados históricos de anos anteriores.

Descrição

O objetivo deste projeto é desenvolver um modelo de regressão linear simples para prever o número de casos de dengue em um determinado ano com base nos dados históricos de casos de anos anteriores. O modelo é desenvolvido utilizando a biblioteca scikit-learn em Python.

Pré-requisitos

Antes de executar este projeto, é necessário ter o seguinte instalado:

• Python 3
• Bibliotecas Python: scikit-learn, matplotlib, pandas

Como usar

1. Clone este repositório:

    git clone https://github.com/eudavidreis-odev/python_data_manage_example.git

2. Navegue até o diretório do projeto:

    cd python_data_manage_example

3. Instale as dependências:

    pip install -r requirements.txt

4. Execute o script principal:

    python regressao.py

Projeto 2: Python Aplicado a Big Data

Este projeto faz parte dos meus estudos na faculdade, onde estou explorando Python aplicado a Big Data. O objetivo é utilizar técnicas de aprendizado de máquina para análise de dados.

Descrição

Neste projeto, utilizamos o conjunto de dados Iris e técnicas de aprendizado de máquina para classificação. O conjunto de dados Iris é um conjunto de dados clássico frequentemente usado para fins de aprendizado de máquina.

Pré-processamento

Nesta etapa, realizamos o pré-processamento dos dados, que incluiu a coleta, integração e particionamento dos dados.

    from sklearn.datasets import load_iris
    from sklearn.model_selection import train_test_split

    # Coleta e Integração
    iris = load_iris()
    caracteristicas = iris.data
    rotulos = iris.target

    # Partição dos dados
    carac_treino, carac_teste, rot_treino, rot_teste = train_test_split(caracteristicas, rotulos)

Mineração de Dados

Nesta seção, aplicamos técnicas de aprendizado de máquina para extrair informações úteis dos dados.

Árvore de Decisão

    from sklearn.tree import DecisionTreeClassifier
    from sklearn.metrics import accuracy_score
    from sklearn.tree import export_text

    # Criação e treinamento do modelo
    arvore = DecisionTreeClassifier(max_depth=2)
    arvore.fit(X=carac_treino, y=rot_treino)

    # Avaliação do modelo
    rot_preditos = arvore.predict(carac_teste)
    acuracia_arvore = accuracy_score(rot_teste, rot_preditos)

    # Exibição da estrutura da árvore
    r = export_text(arvore, feature_names=iris['feature_names'])
    print("Estrutura da árvore")
    print(r)

    print("Acurácia Árvore de Decisão:", round(acuracia_arvore, 5))

Máquina de Vetor de Suporte (SVM)

    from sklearn.svm import SVC

    # Criação e treinamento do modelo
    clf = SVC()
    clf.fit(X=carac_treino, y=rot_treino)

    # Avaliação do modelo
    rot_preditos_svm = clf.predict(carac_teste)
    acuracia_svm = accuracy_score(rot_teste, rot_preditos_svm)

    print("Acurácia SVM:", round(acuracia_svm, 5))

Pós-processamento

Na etapa final, exibimos os resultados obtidos após a mineração de dados.

    print("Acurácia Árvore de Decisão:", round(acuracia_arvore, 5))
    print("Acurácia SVM:", round(acuracia_svm, 5))

Este projeto visa não apenas aplicar algoritmos de aprendizado de máquina, mas também entender o processo de análise de dados e como esses algoritmos são utilizados para resolver problemas do mundo real.