Neste repositório será colocado os scripts criados nas aulas de Fundamentos de Linguagem Python Para Análise de Dados e Data Science (Com ChatGPT)
Calculadora em Python com Biblioteca Math
- Criação de uma calculadora para fazer as 4 operações básicas de matemática;
- Com a biblioteca math podemos utilizar mais 2 operações, potência e raiz quadrada.
REGEX com Chat-GPT
- Extraindo informações de uma música com REGEX;
- Auxílio do Chat GPT para criar o script.
Jogo_Forca
- Criação de um jogo de forca utilizando a biblioteca random para trazer as palavras aleatoriamente;
- Fixação do conteúdo apresentado: try/except, funções, loop (while e for) e toda lógica.
Jogo_da_forca_poo
- Criação de um jogo de forca utilizando programação orientada a objeto.
Projeto 2 - Análise de Dados
- Utilização da biblioteca pandas para fazer análise exploratória de dados;
- Bibliotecas matplotlib e seaborn para criação de gráficos;
- Biblioteca numpy para para aplicar uma condição lógica em uma coluna do DataFrame e atribuir valores com base nessa condição e para calcular algumas estatísticas agregadas(soma, média e mediana).
Análise Estatística com Statsmodels
- Biblioteca pandas para análise exploratória de dados;
- Bibliotecas matplotlib e seaborn para criação de gráficos;
- Biblioteca statsmodel para regressão linear;
- Conclusão de que que existe uma correlação entre as variavéis, mas não é suficente para explicar completamente a variação do valor.
Machine Learning com Scikit-Learn
- Biblioteca pandas para preparação, limpeza e exploração dos dados;
- Bibliotecas matplotlib e seaborn para criação de gráficos e compreensão das variáveis;
- Biblioteca Scikit-Learn para Modelagem Preditiva e validação do modelo;
- Deploy do Modelo, etapa que o modelo seja colocado em uso prático;
- Salvar esses resultados em um arquivo csv.
Deep Learning com TensorFlow
- Concceitos básicos para construir um modelo de IA capaz de classificar imagens de 10 categorias;
- Carregamento das imagens usando o dataset CIFAR-10;
- Pré-Processamento e Visualização das Imagens normalizando maliza os valores dos pixels para que os dados fiquem na mesma escala;
- Criar um modelo com sequência de camadas (convolução e max pooling);
- Adicionar camadas de classificação;
- Compilar o modelo;
- Avaliar a acurácia;
- Fazer o deploy do modelo