Machine Learning - Materiais Educacionais

Este repositório contém uma coleção completa de materiais educacionais sobre Aprendizado de Máquina (Machine Learning), desenvolvidos para fins acadêmicos. Inclui aulas teóricas, atividades práticas com notebooks Jupyter, projetos aplicados e uma apresentação em LaTeX. Os tópicos cobrem desde algoritmos básicos como regressão linear e logística, até técnicas avançadas como redes neurais convolucionais (CNN), LSTM para séries temporais e clustering com K-Means.

Estrutura do Repositório

• apresentação/: Arquivos relacionados à apresentação do projeto.

  • main.tex: Arquivo principal em LaTeX para a apresentação.
  • bibiography.bib: Arquivo de bibliografia.
  • apalikeCBCFD.bst: Estilo de bibliografia.
  • exemplos/: Notebooks de exemplo, incluindo estudos de caso e análise de silhueta.
  • imagens/: Imagens utilizadas na apresentação.

• atividades/: Projetos práticos implementados em notebooks Jupyter para diferentes algoritmos de Machine Learning.

  • 1_Regressões/: Regressão Linear e Logística.
    • Regressão Linear/: Projeto com dados de clientes de e-commerce.
    • Regressão Logística/: Projeto com dados de publicidade.
  • 2_K-Means/: Clustering com K-Means usando dados de faculdades.
  • 2_KNN/: K-Nearest Neighbors com dados de projeto.
  • 3_Árvores_De_Decisão/: Árvores de Decisão com dados de diabetes.
  • 4_Random_Forest/: Florestas Aleatórias.
  • 5_SVM/: Support Vector Machines.
  • 6_Perceptron/: Implementação do Perceptron.
  • 7_MLP/: Redes Neurais Multilayer Perceptron com dados de malware.
  • 8_LSTM/: Previsão de séries temporais com LSTM, incluindo scripts de treinamento e validação.
  • 9_Convolucional (CNN)/: Redes Neurais Convolucionais.

• aulas/: Materiais de aulas teóricas organizados por data.

  • 25_08_13/: Aula do dia 13 de agosto de 2025.
  • 25_08_20/: Aula do dia 20 de agosto de 2025.

• LICENSE: Licença acadêmica de uso não-comercial.

• README.md: Este arquivo de documentação.

Pré-requisitos

Para executar os notebooks e scripts neste repositório, você precisa de:

• Python 3.8 ou superior
• Jupyter Notebook ou JupyterLab para executar os notebooks.
• Bibliotecas Python essenciais:
  • pandas, numpy: Manipulação de dados.
  • scikit-learn: Algoritmos de Machine Learning.
  • matplotlib, seaborn: Visualização de dados.
  • tensorflow ou keras: Para redes neurais (CNN, LSTM).
  • jupyter: Para executar notebooks.

Instalação das Dependências

Instale as bibliotecas usando pip:

pip install pandas numpy scikit-learn matplotlib seaborn tensorflow jupyter

Para projetos específicos, verifique os arquivos requirements.txt nas pastas relevantes (ex: atividades/8_LSTM/requirements.txt).

Como Usar

1. Clone o repositório:

   git clone https://github.com/brunomartinsmv/MachineLearning.git
   cd MachineLearning

2. Instale as dependências (conforme seção acima).

3. Navegue até a atividade ou aula desejada:

   • Por exemplo, para executar o projeto de Regressão Linear: cd atividades/1_Regressões/Regressão Linear/

4. Abra e execute o notebook:

   jupyter notebook "Regressão Linear - Projeto.ipynb"

   Ou use JupyterLab:

   jupyter lab

5. Para scripts Python (ex: em atividades/8_LSTM/scripts/):

   python train.py

Contribuições

Contribuições são bem-vindas para melhorar os materiais educacionais. Se você encontrar erros, quiser adicionar novos exemplos ou melhorar explicações, sinta-se à vontade para abrir uma issue ou enviar um pull request. Lembre-se de respeitar a licença acadêmica.

Licença

Este projeto está licenciado sob uma Licença Acadêmica de Uso Não-Comercial. O uso é permitido apenas para fins educacionais e acadêmicos, com obrigação de dar os devidos créditos ao autor. Qualquer uso comercial é proibido.

---

Desenvolvido por Bruno Martins Mendes Vieira
Contato: brunomendes@fisica.ufmt.br
Última atualização: Novembro de 2025