Esse repositório contém os projetos que eu realizei na plataforma Kaggle e aqui está o meu perfil
É realizado uma avaliação da evolução dos incêndios ao longo dos anos, bem como as regiões onde se concentraram. A Amazônia legal compreende os estados do Acre, Amapá, Pará, Amazonas, Rondônia, Roraima e parte do Mato Grosso, Tocantins e Maranhão. Este conjunto de dados reporta o número de incêndios florestais no Brasil dividido por estados. A série compreende o período de aproximadamente 10 anos (1998 a 2017).
Esses dados foram extraídos do banco de dados do censo de 1994 por Ronny Kohavi e Barry Becker (Data Mining and Visualization, Silicon Graphics). Um conjunto de registros razoavelmente limpos foi extraído. A tarefa de previsão é determinar se uma pessoa ganha mais de US $ 50 mil por ano.
Os recursos são calculados a partir de uma imagem digitalizada de um aspirado por agulha fina (FNA) de uma massa mamária. Eles descrevem as características dos núcleos celulares presentes na imagem. O objetivo deste projeto é utilizar Redes Neurais Artificiais para realizar um diagnóstico de câncer de mama que prevê se um tumor é maligno ou se um tumor é benigno.
Os dados foram coletados para treinar um modelo para distinguir entre pessoas com menos probabilidade de ter ataques cardíacos e pessoas com maior probabilidade de ter ataques cardíacos, portanto, todo o problema é uma classificação binária. O objetivo deste projeto é utilizar diferentes tipos de modelos de Machine Learning para realizar a previsão se uma pessoa tem maiores ou menores riscos de ter um ataque de coração.
5] - Classificação das plantas da íris de três tipos diferentes (Iris-Versicolor, Iris-Setosa e Iris-Virginica)
O Dataset inclui três espécies de íris com 50 amostras cada, bem como algumas propriedades sobre cada flor. Uma espécie de flor é linearmente separável das outras duas, mas as outras duas não são linearmente separáveis uma da outra. O objetivo deste projeto é utilizar Redes Neurais Artificiais para realizar a classificação de três tipos de plantas (Iris-Versicolor, Iris-Setosa e Iris-Virginica).
Os dados foram coletados para treinar um modelo para distinguir entre as imagens que contêm cachorros e gatos, então todo o problema é de classificação binária. O objetivo deste projeto é utilizar modelos de Redes Neurais Convolucionais para realizar a classificação de imagens de gatos e cachorros.
Os dados foram coletados para treinar um modelo para distinguir entre as imagens que contêm fogo (imagens de fogo) e imagens regulares (imagens que não são de fogo), então todo o problema é de classificação binária. O objetivo deste projeto é utilizar modelos de Redes Neurais Convolucionais para realizar a classificação de imagens de fogo ao ar livre (algumas delas contendo fumaça) e imagens da natureza (por exemplo: florestas, árvores, gramas, rios, lagos, animais, estradas e cachoeiras).
Os dados foram coletados para treinar um modelo para distinguir entre as imagens que contêm imagens com olhos femininos e masculinos, então todo o problema é de classificação binária. O objetivo deste projeto é utilizar modelos de Redes Neurais Convolucionais (ConvNet, Inception, Xception & MobileNet) para realizar a classificação das imagens.
Os dados foram coletados para treinar um modelo para distinguir entre imagens contendo veículos e imagens sem veículos, então todo o problema é a classificação binária. O objetivo deste projeto é utilizar modelos de Redes Neurais Convolucionais (Inception, Xception & MobileNet) para realizar a classificação das imagens.