🧠 Machine Learning

Bem-vindo(a) à documentação da matéria Machine Learning, desenvolvida durante o 4° semestre do curso de Ciência de Dados e Negócios da ESPM!

Este espaço reúne projetos, exercícios, anotações e estudos práticos realizados ao longo da disciplina — explorando desde o pré-processamento de dados até a implementação de modelos supervisionados e não supervisionados.
O objetivo é consolidar o aprendizado e servir como um repositório de referência para futuras aplicações em ciência de dados, estatística aplicada e modelagem preditiva.

🚀 Conteúdos Principais

• Análise Exploratória de Dados (EDA) — limpeza, tratamento de nulos, detecção de outliers e visualizações.
• Modelos Supervisionados — regressão linear, árvore de decisão e KNN.
• Modelos Não Supervisionados — clustering com K-Means e análise de agrupamentos.
• Métricas de Avaliação — acurácia, matriz de confusão, R², p-valor e interpretação de resultados.
• Documentação e Visualização — gráficos interativos, diagramas com Mermaid e dashboards.

📊 Datasets Utilizados

Os experimentos apresentados nesta documentação foram desenvolvidos com diferentes bases de dados públicas:

• 🏠 Ames Housing Dataset (Kaggle)
  — Previsão do preço de imóveis com variáveis categóricas e numéricas.

🧩 Tecnologias e Ferramentas

• Linguagens: Python (pandas, scikit-learn, matplotlib, seaborn)
• Ambiente: Jupyter Notebook / VS Code
• Documentação: MkDocs + Material Theme
• Visualização: Mermaid, Google Charts, Tableau

📚 Referências

• Material for MkDocs
• Mermaid Live Editor
• Documentação oficial do scikit-learn
• Kaggle Datasets

Documentação construída com MkDocs Material.