EBAC - Profissao Cientista de Dados

Repositorio com projetos praticos desenvolvidos durante o curso Profissao Cientista de Dados da EBAC, cobrindo pre-processamento, modelos supervisionados, validacao e comparacao de algoritmos.

Projetos

Modulo	Tema	Algoritmo	Dataset	Registros	Pasta
M27	Previsao de doencas cardiovasculares	Regressao Logistica + SMOTE	CARDIO_BASE	10.001	M27-regressao-logistica-cardio/
M28	Duelo de modelos no Titanic	Arvore de Decisao vs Regressao Logistica	Titanic	891	M28-duelo-modelos-titanic/
M32	Classificacao de vinhos	Random Forest	Wine Quality	1.600	M32-random-forest-wine/
M35	Deteccao de incendios via IoT	Cross Validation + Random Forest	Smoke Detection IoT	62.631	M35-cross-validation-iot/
M37	Analise de clientes e PCA	PCA + modelos de classificacao	Marketing Campaign	2.240	PCA-analise-de-modelos/
M39	Propensao de compra de carros	XGBoost	CARRO_CLIENTES	1.000	XGBoost/
M40	Propensao de compra de carros	SVM linear vs SVM poly	CARRO_CLIENTES	1.000	SVM/

Destaques

• Pre-processamento: Label Encoder, One-Hot Encoding, SMOTE, StandardScaler e tratamento de dados faltantes.
• Modelagem: Regressao Logistica, Arvore de Decisao, Random Forest, PCA, XGBoost e SVM.
• Validacao: train/test split, matriz de confusao, classification report, acuracia, precision, recall, f1-score e cross-validation.
• Comparacao recente: no dataset CARRO_CLIENTES, XGBoost teve melhor desempenho que SVM linear e SVM poly.

Tecnologias

Python 3
pandas
numpy
scikit-learn
imbalanced-learn
scipy
matplotlib
seaborn
plotly
jupyter

Como executar

git clone https://github.com/Leocarneiroo/data-science-projects.git
cd data-science-projects
pip install -r requirements.txt
jupyter notebook

Cada pasta contem o notebook e o dataset correspondente.