Liga-IA · SeidiDucher · Apr 27, 2025 · Apr 27, 2025 · Apr 27, 2025 · Apr 27, 2025
diff --git a/Algoritmos-geneticos/LICENCE b/Algoritmos-geneticos/LICENCE
@@ -0,0 +1,20 @@
+MIT License
+
+Copyright (c) 2025 Ítalo Firmino da Silva
+
+Permission is hereby granted, free of charge, to any person obtaining a copy 
+of this software and associated documentation files (the “Software”), to deal 
+in the Software without restriction, including without limitation the rights 
+to use, copy, modify, merge, publish, distribute, sublicense, and/or sell copies 
+of the Software, and to permit persons to whom the Software is furnished to do so, 
+subject to the following conditions:
+
+The above copyright notice and this permission notice shall be included in all 
+copies or substantial portions of the Software.
+
+THE SOFTWARE IS PROVIDED “AS IS”, WITHOUT WARRANTY OF ANY KIND, EXPRESS OR IMPLIED, 
+INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY, FITNESS FOR A 
+PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE AUTHORS OR COPYRIGHT 
+HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER LIABILITY, WHETHER IN AN ACTION OF 
+CONTRACT, TORT OR OTHERWISE, ARISING FROM, OUT OF OR IN CONNECTION WITH THE SOFTWARE 
+OR THE USE OR OTHER DEALINGS IN THE SOFTWARE.
diff --git a/Algoritmos-geneticos/README.md b/Algoritmos-geneticos/README.md
@@ -0,0 +1,43 @@
+# Algoritmos Genéticos: Guia e Exemplo
+
+> Bem-vindo(a) a este repositório! Aqui, você encontrará um **tutorial completo** sobre algoritmos genéticos e um **exemplo prático** que evolui uma população de strings para corresponder a uma frase alvo.
+
+---
+
+## 📘 Sobre este repositório
+
+Este projeto está organizado em duas partes principais:
+
+1. **Explicação Teórica**  
+   - Arquivo: `code/Algoritmos_geneticos.md`  
+   - Conteúdo: definição de algoritmos genéticos, componentes principais (cromossomo, população, fitness, operadores genéticos e critérios de parada), fluxo de execução e exemplos de aplicação.
+
+2. **Exemplo Prático: Acertando uma String**  
+   - Arquivo: `code/Acertando_uma_string.md`  
+   - Objetivo: demonstrar, passo a passo, um algoritmo genético em Python que transforma uma população de strings até que ela corresponda exatamente a uma frase alvo.
+
+---
+
+Agora você tem todas as peças de que precisa para montar seu quebra-cabeça. Abaixo você pode conferir na estrutura desse repositório vários exemplos de aplicação de algoritmos genéticos.
+## Estrutura do Repositório
+
+```text
+RepoAI/
+└── Algoritmos-geneticos/
+    ├── content/
+    │   └── Capa.png
+    ├── code/
+    |   └── Acertando_uma_string.md
+    |   └── Algoritmos_geneticos.md
+    ├── README
+    └── license    
+```
+
+## Contribuidores
+
+ | [<img loading="lazy" src="https://avatars.githubusercontent.com/u/91793807?v=4" width=115><br><sub>Ítalo Silva</sub>](https://github.com/ITA-LOW) |  [<img loading="lazy" src="https://avatars.githubusercontent.com/u/11313404?v=4" width=115><br><sub>Alison R. Panisson</sub>](https://github.com/AlisonPanisson) |
+| :---: | :---: |
+
+---
+
+
diff --git a/Algoritmos-geneticos/code/Algoritmos_geneticos.md b/Algoritmos-geneticos/code/Algoritmos_geneticos.md
@@ -144,23 +144,3 @@ O algoritmo para quando a população atinge um nível de convergência, ou seja
 Se uma solução ótima ou satisfatória for encontrada (isto é, uma solução que atenda aos critérios de qualidade ou um valor de aptidão que ultrapasse um limiar pré-estabelecido), o algoritmo é interrompido. Esse critério busca garantir que o algoritmo não execute mais do que o necessário quando uma boa solução já foi alcançada.
 
 ---
-
-Agora você tem todas as peças de que precisa para montar seu quebra-cabeça. Abaixo você pode conferir na estrutura desse repositório vários exemplos de aplicação de algoritmos genéticos.
-## Estrutura do Repositório
-
-```text
-RepoAI/
-└── Algoritmos-geneticos/
-    ├── content/
-    │   └── Capa.png
-    ├── code/
-    |   └── Acertando_uma_string.md
-    |   └── Algoritmos_geneticos.md <- Você está aqui!
-    ├── README.md
-    └── license    
-```
-
-## Contribuidores
-
- | [<img loading="lazy" src="https://avatars.githubusercontent.com/u/91793807?v=4" width=115><br><sub>Ítalo Silva</sub>](https://github.com/ITA-LOW) |  [<img loading="lazy" src="https://avatars.githubusercontent.com/u/11313404?v=4" width=115><br><sub>Alison R. Panisson</sub>](https://github.com/AlisonPanisson) |
-| :---: | :---: |
diff --git a/KNN/1.concepts/1.History.md b/KNN/1.concepts/1.History.md
@@ -0,0 +1,57 @@
+# English version
+
+## Introduction ##
+  K-Nearest Neighbor is a supervised machine learning model, meaning it learns from labeled data consisting of inputs (x) and their corresponding desired outputs (y). This model is employed for predicting both categorical and numerical data, utilizing an instance-based learning approach. This approach involves storing the training data, subsequently, when a new instance is presented, a set of related, similar instances is retrieved from memory and used to classify the novel query instance.
+
+  In the k-Nearest Neighbor (k-NN) model, each data instance is represented as a point in a feature space. New instances are classified based on their proximity to instances in the training set, using a similarity measure. In this way, the prediction is made by considering the k nearest neighbors.
+
+![neighbor-nosey](img/neighbor-nosey.gif)
+
+## History ##
+  The k-Nearest Neighbor (k-NN) algorithm originated in the 1950s, initially proposed by Evelyn Fix and Joseph Hodges in a theoretical work presented as *Technical Report No. 21* at the University of California, Berkeley, in 1951. Years later, during the 1960s, the algorithm was refined and formally developed by Thomas M. Cover and Peter E. Hart in their 1967 paper *"Nearest Neighbor Pattern Classification."*.
+
+## References
+FIX, Evelyn; HODGES Jr., Joseph L. Discriminatory Analysis. Nonparametric Discrimination: Consistency Properties. Berkeley: University of California, 1951. (Technical Report nº 21).
+
+COVER, Thomas M.; HART, Peter E. Nearest Neighbor Pattern Classification. IEEE Transactions on Information Theory, 1967. 
+
+Halder, R.K., Uddin, M.N., Uddin, M.A. et al. Enhancing K-nearest neighbor algorithm: a comprehensive review and performance analysis of modifications. J Big Data 11, 113 (2024). 
+
+## 👾 **Contributors**  
+| [<img loading="lazy" src="https://avatars.githubusercontent.com/u/197432407?v=4" width=115><br><sub>Beatriz Schuelter Tartare</sub>](https://github.com/beastartare) |
+| :---: |
+
+## **License**  
+[![Licença MIT](https://img.shields.io/badge/Licença-MIT-blue.svg)](https://pt.wikipedia.org/wiki/Licen%C3%A7a_MIT)  
+**Traslation:** Use, modify, and share at will! ✌️
+
+***
+
+# Portuguese version
+
+## Introdução ##
+
+O K-Vizinhos Mais Próximos (k-Nearest Neighbor, ou k-NN) é um modelo de aprendizado de máquina supervisionado, o que significa que ele aprende a partir de dados rotulados, compostos por entradas (x) e suas respectivas saídas desejadas (y). Esse modelo é utilizado para prever tanto dados categóricos quanto numéricos, empregando uma abordagem de aprendizado baseado em instâncias. Essa abordagem envolve o armazenamento dos dados de treinamento, posteriormente, quando uma nova instância é apresentada, um conjunto de instâncias semelhantes é recuperado da memória e utilizado para classificar a nova instância de consulta.
+
+No modelo k-Vizinhos Mais Próximos (k-NN), cada instância de dados é representada como um ponto em um espaço de características. Novas instâncias são classificadas com base em sua proximidade com instâncias do conjunto de treinamento, utilizando uma medida de similaridade. Dessa forma, a predição é feita considerando os k vizinhos mais próximos.
+
+![neighbor-nosey](img/neighbor-nosey.gif)
+
+## Histórico ##
+
+O algoritmo k-Vizinhos Mais Próximos (k-NN) surgiu na década de 1950, proposto inicialmente por Evelyn Fix e Joseph Hodges em um trabalho teórico apresentado como *Technical Report No. 21* na Universidade da Califórnia, Berkeley, em 1951. Anos depois, durante a década de 1960, o algoritmo foi refinado e formalmente desenvolvido por Thomas M. Cover e Peter E. Hart em seu artigo de 1967, intitulado *"Nearest Neighbor Pattern Classification"*.
+
+## Referências ##
+FIX, Evelyn; HODGES Jr., Joseph L. Discriminatory Analysis. Nonparametric Discrimination: Consistency Properties. Berkeley: University of California, 1951. (Technical Report nº 21).
+
+COVER, Thomas M.; HART, Peter E. Nearest Neighbor Pattern Classification. IEEE Transactions on Information Theory, 1967. 
+
+Halder, R.K., Uddin, M.N., Uddin, M.A. et al. Enhancing K-nearest neighbor algorithm: a comprehensive review and performance analysis of modifications. J Big Data 11, 113 (2024). 
+
+## 👾 **Contribuidores**  
+| [<img loading="lazy" src="https://avatars.githubusercontent.com/u/197432407?v=4" width=115><br><sub>Beatriz Schuelter Tartare</sub>](https://github.com/beastartare) |
+| :---: |
+
+## **Licença**  
+[![Licença MIT](https://img.shields.io/badge/Licença-MIT-blue.svg)](https://pt.wikipedia.org/wiki/Licen%C3%A7a_MIT)  
+**Traslation:** Use, modifique e compartilhe à vontade! ✌️
diff --git a/KNN/1.concepts/2.ClassifierVsRegression.md b/KNN/1.concepts/2.ClassifierVsRegression.md
@@ -0,0 +1,174 @@
+# English version
+
+The k-Nearest Neighbors (kNN) machine learning model can be divided into two main categories: classification kNN and regression kNN.
+
+## KNN Classifier
+
+In classification kNN, the model assigns a categorical label to a new input based on the K nearest neighbors in the dataset. It checks the classes of these neighbors and selects the most frequent one through a majority vote mechanism.
+## Example:
+
+Based on the following dataset, let's analyze and understand how the kNN Classifier model works.
+
+| Patient ID | Resting Heart Rate (bpm) | Cholesterol Level (mg/dL) | Diagnosis     |
+|------------|---------------------------|--------------------------|---------------|
+| 001        | 82                        | 220                      | Heart Disease |
+| 002        | 70                        | 190                      | No Disease    |
+| 003        | 90                        | 210                      | Heart Disease |
+| 004        | 72                        | 180                      | No Disease    |
+| 005        | 85                        | 220                      | Heart Disease |
+
+*Table 1 - Heart Diagnosis*
+
+Let us consider a new patient whose clinical measurements include a resting heart rate of 78 bpm and a cholesterol level of 200 mg/dL. Our goal is to predict this patient's diagnosis by comparing these values to those in the existing training dataset. 
+
+Defining K=3, the three nearest neighbors are:
+
+- Patient 001 → Heart Disease (distance: 20.4)
+- Patient 002 → No Disease (distance: 12.8)
+- Patient 003 → Heart Disease (distance: 15.6)
+
+Next, we compute the votes and determine which label received the majority: 
+
+Votes:
+
+- Heart Disease: 2 votes
+- No Disease: 1 vote
+
+Thus, the classification of the new data point is 'Heart Disease'
+
+## KNN Regression
+
+In regression kNN, the model predicts a continuous numerical value. To do this, the algorithm identifies the K nearest neighbors and computes the average of their values to produce the prediction.
+
+## Example: 
+
+Based on the following dataset, let's analyze and understand how the kNN Regression model works.
+
+| ID | Size (m²) | Rooms | Price ($) |
+|----|-----------|--------|-------------|
+| 01 | 110       | 3      | 550,000     |
+| 02 | 80        | 2      | 400,000     |
+| 03 | 140       | 4      | 650,000     |
+| 04 | 70        | 2      | 300,000     |
+| 05 | 90        | 3      | 450,000     |
+
+*Table 2 - House Price Prediction*
+
+Let's consider a new house with 100 m² and 3 bedrooms.
+
+the three nearest neighbors are:
+
+- House 01 -> 550 (distance: 10)
+- House 02 -> 400 (distance: 20.02)
+- House 05 -> 450 (distance: 10)
+
+Thus, the predicted price will be the average of these three values.
+
+$$
+\{predicted price} = \$466.666,67
+$$
+
+> [!IMPORTANT]
+> To better understand the mathematical foundation, visit: [3. Mathematics](https://github.com/mevianna/ISA/tree/main/KNN/3.mathematics)
+
+## References
+**IBM.** _K-nearest neighbors (KNN)_. Disponível em: https://www.ibm.com/think/topics/knn. Acesso em: 21 de abril de 2025.
+
+## 👾 **Contributors**  
+| [<img loading="lazy" src="https://avatars.githubusercontent.com/u/197432407?v=4" width=115><br><sub>Beatriz Schuelter Tartare</sub>](https://github.com/beastartare) | [<img loading="lazy" src="https://avatars.githubusercontent.com/u/178849007?v=4" width=115><br><sub>Rafaela Savaris</sub>](https://github.com/rafasavaris) |
+| :---: | :---: |
+
+## **License**  
+[![Licença MIT](https://img.shields.io/badge/Licença-MIT-blue.svg)](https://pt.wikipedia.org/wiki/Licen%C3%A7a_MIT)  
+**Traslation:** Use, modify, and share at will! ✌️
+
+***
+
+# Portuguese version
+
+O modelo de aprendizado de máquina k-Nearest Neighbors (kNN) pode ser dividido em duas categorias principais: kNN de classificação e kNN de regressão.
+
+## KNN Classificador
+
+No kNN de classificação, o modelo atribui um rótulo categórico a uma nova entrada com base nos K vizinhos mais próximos do conjunto de dados. Ele verifica as classes desses vizinhos e seleciona a mais frequente por meio de um mecanismo de "votação por pluralidade".
+
+> [!NOTE]
+> Na tradução para PT-BR, o termo "pluralidade" é utilizado, algumas vezes, em vez de "maioria" ou "majoritária", pois estes últimos implicam em mais de 50% de um total de votos - o que, nem sempre, é necessário.
+> Por exemplo, imigine uma votação entre 3 candidatos, A, B, C, e D, com 10 votantes. O resultado é: 4 votos no candidato A; 2 votos no candidato B; 3 votos no Candidato C e 1 voto no candidato D. O candidato A irá ganhar, pois obteve a pluralidade dos votos, embora não seja mais de 50% do total de votos.
+
+## Exemplo:
+
+Com base no seguinte conjunto de dados, vamos analisar e entender como funciona o modelo kNN Classificador.
+
+| ID do Paciente | Frequência Cardíaca de Repouso (bpm) | Nível de Colesterol (mg/dL) | Diagnóstico     |
+|----------------|---------------------------------------|------------------------------|------------------|
+| 001            | 82                                    | 220                          | Doença Cardíaca  |
+| 002            | 70                                    | 190                          | Sem Doença       |
+| 003            | 90                                    | 210                          | Doença Cardíaca  |
+| 004            | 72                                    | 180                          | Sem Doença       |
+| 005            | 85                                    | 220                          | Doença Cardíaca  |
+
+*Tabela 1 - Diagnóstico Cardíaco*
+
+Vamos considerar um novo paciente cujas medições clínicas incluem uma frequência cardíaca de repouso de 78 bpm e um nível de colesterol de 200 mg/dL. Nosso objetivo é prever o diagnóstico desse paciente comparando esses valores com os do conjunto de dados de treinamento existente.
+
+Definindo K = 3, os três vizinhos mais próximos são:
+
+- Paciente 001 → Doença Cardíaca ( distancia: 20,4)
+- Paciente 002 → Sem Doença (distancia: 12,8)
+- Paciente 003 → Doença Cardíaca (distancia: 15,6)
+
+Em seguida, computamos os votos e verificamos qual rótulo recebeu a maioria:
+
+Votos:
+
+- Doença Cardíaca: 2 votos  
+- Sem Doença: 1 voto  
+
+Dessa forma, a classificação do novo dado é 'Doença Cardíaca'.
+
+## KNN Regressão
+
+No kNN de regressão, o modelo prevê um valor numérico contínuo. Para isso, o algoritmo identifica os K vizinhos mais próximos e calcula a média de seus valores para gerar a previsão.
+
+## Exemplo:
+
+Com base no seguinte conjunto de dados, vamos analisar e entender como funciona o modelo kNN Regressor.
+
+| ID  | Tamanho (m²) | Quartos | Preço (R$)  |
+|-----|--------------|---------|-------------|
+| 01  | 110          | 3       | 550.000     |
+| 02  | 80           | 2       | 400.000     |
+| 03  | 140          | 4       | 650.000     |
+| 04  | 70           | 2       | 300.000     |
+| 05  | 90           | 3       | 450.000     |
+
+*Tabela 2 - Previsão de Preço de Casa*
+
+Vamos considerar uma nova casa com 100 m² e 3 quartos.
+
+Os três vizinhos mais próximos são:
+
+- Casa 01 → 550.000 (distância: 10)  
+- Casa 02 → 400.000 (distância: 20,02)  
+- Casa 05 → 450.000 (distância: 10)  
+
+Desse modo, o preço previsto será a média desses três valores.
+
+$$
+\{preço previsto} = R$ 466.666,67
+$$
+
+> [!IMPORTANT]
+> Para compreender melhor a fundamentação matemática, visite: [3. Mathematics](https://github.com/mevianna/ISA/tree/main/KNN/3.mathematics)
+
+## Referências ##
+**IBM.** _K-nearest neighbors (KNN)_. Disponível em: https://www.ibm.com/think/topics/knn. Acesso em: 21 de abril de 2025.
+
+## 👾 **Contribuidores**  
+| [<img loading="lazy" src="https://avatars.githubusercontent.com/u/197432407?v=4" width=115><br><sub>Beatriz Schuelter Tartare</sub>](https://github.com/beastartare) | [<img loading="lazy" src="https://avatars.githubusercontent.com/u/178849007?v=4" width=115><br><sub>Rafaela Savaris</sub>](https://github.com/rafasavaris) |
+| :---: | :---: |
+
+## **Licença**  
+[![Licença MIT](https://img.shields.io/badge/Licença-MIT-blue.svg)](https://pt.wikipedia.org/wiki/Licen%C3%A7a_MIT)  
+**Traslation:** Use, modifique e compartilhe à vontade! ✌️