Machine Learning documentation Project

Autor

• Linkedin: https://www.linkedin.com/in/rafael-lucena-0273b82b3/

• Github: https://github.com/rafaarklu/

• email: rafa.arklu@gmail.com

Este projeto reúne material de referência, scripts e exemplos práticos dos principais métodos estudados: K-Nearest Neighbors (KNN), K-Means, Árvores de Decisão, Random Forest e métricas de avaliação. O objetivo é servir como material didático e repositório de apoio para estudos e experimentos.

O que há neste repositório

Uma visão geral das seções/documentos disponíveis:

• K-Nearest Neighbors (KNN) — abordagem clássica de classificação; exemplos e código: ./k-nearest-neighbor/main.md
• K-Means — algoritmo de clusterização com exemplos práticos: ./k-means/main.md
• Árvores de Decisão — projeto e análise: ./Machine-Learning/decision_tree_project.md (código em docs/Machine-Learning/decision-script.py e docs/projeto/decision_tree_project.py)
• Random Forest — ensemble de árvores e suas aplicações: ./random-forest/main.md
• Métricas — funções e exemplificações de métricas de avaliação (acurácia, precisão, recall, F1, etc.): ./metrics/main.md

Além das páginas acima, o repositório contém scripts em Python localizados nas pastas correspondentes (docs/k-nearest-neighbor/, docs/k-means/, docs/Machine-Learning/, docs/random-forest/, docs/metrics/). Há também um conjunto de dependências em requirements.txt para facilitar a reprodução do ambiente.

Dados

Os datasets utilizados foram obtidos atravez da plataforma kaggle

• Titanic Dataset
• Ford and mercedes Used Car

Como navegar nesta documentação

Use a barra lateral do MkDocs (ou o menu superior) para abrir cada tópico. Cada seção contém uma explicação teórica, exemplos de código e, quando aplicável, scripts executáveis que reproduzem os experimentos.

Ferramentas utilizadas