🧠 Modelos Clássicos de Classificação — Bootcamp IEEE PES

Bem-vindo(a)!
Este repositório contém o material prático do curso "Modelos Clássicos de Classificação", ministrado por Miguel Euripedes do grupo de pesquisa Conect2AI, como parte do bootcamp "Python Aplicado à Análise de Dados e IA para o Setor Elétrico Brasileiro" do IEEE PES.

O objetivo deste material é guiar os participantes através de um projeto completo de Machine Learning, aplicando algoritmos de classificação para resolver um problema prático e relevância no setor elétrico.

---

📂 Estrutura do Repositório

├── Notebook/
|   |   # Notebook da parte prática da aula     
│   └── MultiLabel_Classification_Classical_Models.ipynb
|   |   # Notebook com a resposta do desafio prático     
│   └── Resposta_Desafio_Binary_Classification.ipynb   
├── Content/     
|   |   # Slides da apresentação                      
│   └── slides_aula_classificacao.pdf     
└── README.md                              

---

🚀 Como Começar

A maneira mais fácil de executar o notebook é utilizando o Google Colaboratory, que não exige nenhuma instalação na sua máquina.

🔗 Notebook: Prática de Classificação

🔗 Notebook: Resposta desafio de Classificação Binária

---

📚 Conteúdo do Notebook

O notebook MultiLabel_Classification_Classical_Models.ipynb é dividido em duas partes principais:

Parte 1: Classificação Multiclasse

• Análise Exploratória de Dados (EDA): Entendendo os padrões de consumo.
• Pré-processamento: Técnicas de StandardScaler e OneHotEncoder.
• Modelagem: Treinamento de Árvore de Decisão, Random Forest, KNN e SVM.
• Avaliação: Análise de performance com Matrizes de Confusão.

Parte 2: Desafio de Classificação Binária

• Engenharia de Features: Transformando o problema para predição binária.
• Regressão Logística: Aplicação de um modelo estatístico fundamental.
• Métricas: Análise de Precision, Recall, Curva ROC e AUC para classes desbalanceadas.

---

📊 Dataset

O projeto utiliza o dataset Steel Industry Energy Consumption do repositório da UCI. Ele contém medições de consumo energético de uma indústria siderúrgica, ideal para a tarefa de classificar o tipo de carga.

Referência: UCI Machine Learning Repository

---

🌎 Sobre o Grupo Conect2AI

O grupo de pesquisa Conect2AI é composto por estudantes de graduação e pós-graduação da Universidade Federal do Rio Grande do Norte (UFRN). Nossa missão é aplicar Inteligência Artificial (IA) e Aprendizado de Máquina em áreas emergentes.

🎯 Nossas áreas de atuação incluem:

• Inteligência Embarcada e IoT: Otimização da gestão de recursos e eficiência energética para ambientes conectados.
• Transição Energética e Mobilidade: Uso de IA para otimizar o consumo energético de veículos conectados e promover uma mobilidade mais eficiente e sustentável.

---

📜 Licença

Este projeto é distribuído sob a licença MIT.