Este projeto é uma coleção de vários Jupyter Notebooks onde são testados diferentes tipos de algoritmos de Machine Learning.
-
Regressão Linear: A Regressão Linear é um método para encontrar a relação linear entre uma variável dependente e uma ou mais variáveis independentes. É comumente usado para prever valores contínuos, como prever o preço de uma casa com base em sua área.
-
Regressão Logística: A Regressão Logística é um algoritmo de classificação que é usado quando a variável dependente é categórica. Ele calcula a probabilidade de um evento ocorrer usando uma função logística e faz a classificação com base nessa probabilidade.
-
Árvores de Decisão: As Árvores de Decisão são modelos de aprendizado de máquina que utilizam uma estrutura em forma de árvore para tomar decisões. Cada nó interno da árvore representa uma "pergunta" sobre um atributo e cada ramo representa uma possível resposta para essa pergunta. O objetivo é dividir o conjunto de dados em subconjuntos cada vez mais homogêneos em relação à variável de saída.
-
K-Means Clustering: O K-Means é um algoritmo de agrupamento que divide um conjunto de dados em K grupos (clusters) diferentes de forma que cada ponto de dados pertença a apenas um grupo. Ele tenta minimizar a variância intra-cluster e maximizar a variância inter-cluster.
-
K Nearest Neighbors: O KNN é um algoritmo de classificação que funciona com base na proximidade dos pontos de dados. Para classificar um novo ponto de dados, ele calcula a distância desse ponto para os pontos de dados existentes e atribui a classe mais comum entre os K vizinhos mais próximos.
-
Perceptron: O Perceptron é um algoritmo de aprendizado supervisionado para classificação de dados binários. Ele é baseado em um neurônio artificial que recebe entradas, calcula a soma ponderada dessas entradas e produz uma saída binária.
-
Support Vector Machine: SVM é um algoritmo de aprendizado de máquina que pode ser usado para tarefas de classificação ou regressão. Ele funciona encontrando o hiperplano que melhor separa os dados em diferentes classes, maximizando a margem entre os dados de diferentes classes.
Para utilizar os notebooks, siga os passos abaixo:
- Clone este repositório para o seu ambiente local.
- Certifique-se de ter o Jupyter Notebook instalado em sua máquina. Caso não tenha, você pode instalá-lo utilizando o comando
pip install notebook. - Navegue até o diretório onde os notebooks estão localizados.
- Execute o comando
jupyter notebookno seu terminal para iniciar o servidor do Jupyter. - Acesse o Jupyter Notebook através do seu navegador web e abra o notebook desejado para explorar os algoritmos de Machine Learning.
Contribuições são bem-vindas! Sinta-se à vontade para abrir um pull request com melhorias, correções ou novos notebooks de algoritmos de Machine Learning que você tenha testado.