Introdução ao Machine Learning

Introdução ao Machine Learning é um material estruturado que cobre Machine Learning desde conceitos fundamentais até algoritmos avançados. O material integra explicações conceituais, formalização matemática e implementação prática em Python.

---

Visão geral do projeto

Estrutura

Módulo 1: Introdução ao Machine Learning (3 notebooks)

Conceitos iniciais: diferenciação entre IA/ML/DL, tipos de aprendizado (supervisionado, não supervisionado, por reforço) e notação matemática básica.

• 01_fundamentos_ia_ml.ipynb
• 02_tipos_aprendizado.ipynb
• 03_matematica_ml.ipynb

Módulo 2: Fundamentos de Machine Learning (4 notebooks)

Categorias de modelos, trade-off bias-variância, validação cruzada e engenharia de features.

• 01_modelos_validacao.ipynb
• 02_metricas_classificacao.ipynb
• 03_metricas_regressao.ipynb
• 04_feature_engineering.ipynb

Módulo 3: Classificação (6 notebooks)

Algoritmos de classificação: KNN, Naive Bayes, Regressão Logística, SVM, Árvores de Decisão e Ensembles.

• 01_knn.ipynb
• 02_naive_bayes.ipynb
• 03_regressao_logistica.ipynb
• 04_svm.ipynb
• 05_arvores_classificacao.ipynb
• 06_ensemble_classificacao.ipynb

Módulo 4: Regressão (4 notebooks)

Algoritmos de regressão: Regressão Linear Múltipla, SVR, Árvores de Regressão e Ensembles.

• 01_regressao_linear_multipla.ipynb
• 02_svr.ipynb
• 03_arvores_regressao.ipynb
• 04_ensembles_regressao.ipynb

Módulo 5: Aprendizado Não-Supervisionado (3 notebooks)

Redução de dimensionalidade (PCA, LLE) e clustering (K-Means, DBSCAN, GMM)

• 01_introducao.ipynb
• 02_dimensionality_reduction.ipynb
• 03_clustering.ipynb

Tempo Estimado

• Módulo 1: 1h15min - 1h50min
• Módulo 2: 2h45min - 3h30min
• Módulo 3: 4h45min - 6h30min
• Módulo 4: 3h45min - 4h55min
• Módulo 5: 2h30min - 3h20min
• Total: 15h00min - 20h05min

Documentação dos Módulos

Para informações detalhadas sobre cada módulo, consulte:

• Módulo 1: Introdução ao Machine Learning
• Módulo 2: Fundamentos de Machine Learning
• Módulo 3: Classificação
• Módulo 4: Regressão
• Módulo 5: Aprendizado Não-Supervisionado

---

Como usar este projeto

Clonar ou Baixar

git clone https://github.com/seu-usuario/IA-Fundamentals.git
cd IA-Fundamentals

Instalar Dependências

pip install -r requirements.txt

---

Estrutura do Repositório

./
├── README.md
├── requirements.txt
├── 01_Introducao/
│   ├── README.md
│   ├── 01_fundamentos_ia_ml.ipynb
│   ├── 02_tipos_aprendizado.ipynb
│   └── 03_matematica_ml.ipynb
├── 02_Fundamentos_ML/
│   ├── README.md
│   ├── 01_modelos_validacao.ipynb
│   ├── 02_metricas_classificacao.ipynb
│   ├── 03_metricas_regressao.ipynb
│   └── 04_feature_engineering.ipynb
├── 03_Classificacao/
│   ├── README.md
│   ├── 01_knn.ipynb
│   ├── 02_naive_bayes.ipynb
│   ├── 03_regressao_logistica.ipynb
│   ├── 04_svm.ipynb
│   ├── 05_arvores_classificacao.ipynb
│   └── 06_ensemble_classificacao.ipynb
├── 04_Regressao/
│   ├── README.md
│   ├── 01_regressao_linear_multipla.ipynb
│   ├── 02_svr.ipynb
│   ├── 03_arvores_regressao.ipynb
│   └── 04_ensembles_regressao.ipynb
└── 05_Unsupervised_Learning/
    ├── README.md
    ├── 01_introducao.ipynb
    ├── 02_dimensionality_reduction.ipynb
    └── 03_clustering.ipynb

Autores

• Felipe Melo
• Gabriel da Silva Navarro
• Henrique Nogueira Pedro Lindoso
• Igor Pires Ferreira
• Lucas Antonio Pataluch dos Santos
• Maisa Lumi Sonoda
• Rodrigo Catto Menin
• Thales Vieira Rodrigues

---