- Giovane Goffi Andreussi
- Jonas Viana Sales
- Kaique Ramon Nogueira Dantas
- Renato Silva Machado
- Theo Albero Tosto
- Vitor Augusto Menten de Barros
O problema a ser resolvido é a falta de padrões e a grande variabilidade da evolução do câncer de mama e sua resposta a tratamentos convencionais. Pacientes que possuem o mesmo subtipo de câncer de mama ou estão em uma mesma faixa de risco apresentam respostas diferentes a tratamentos iguais, algumas vivem mais do que o esperado e recebem alta e outras vão a óbito precocemente. A solução proposta do projeto refere-se a passar o risco do paciente de acordo com o tempo de sobrevida. O modelo irá fornecer uma classificação de acordo com o grau de prioridade e urgência da paciente com câncer de mama a partir de um sistema de cores que identificam risco alto ou baixo.
|--> documentos
| --> outros
| T4_G5_V5_Predictive_Model_Document.pdf
| T4_G5_V5_Predictive_Model_Document.docx
|--> notebooks
|--> T4_G5_Tratamento_Dados.ipynb
|--> T4_G5_Avaliacao_Modelos.ipynb
|--> T4_G5_Modelo_Final.ipynb
| readme.md
| license.txt
Dentre os arquivos presentes na raiz do projeto, definem-se:
-
readme.md: arquivo que serve como guia e explicação geral sobre o projeto (o mesmo que você está lendo agora).
-
documentos: aqui estarão todos os documentos do projeto. Há também uma pasta denominada outros onde estão presentes aqueles documentos complementares.
-
notebooks: todos os Jupyter Notebooks criados na plataforma Colab para desenvolvimento do projeto.
Todos os notebooks do projeto tem o resultado de execução das células visíveis no próprio repositório Github.
Para replicação (reexecução dos códigos), o botão Open in Colab
disponível na página do arquivo neste repositório do Github.
Note que sem salvar uma cópia do notebook no seu Google Drive, não é possível salvar as alterações realizadas no arquivo.
- 0.5.0 - 07/10/2022
- Modelo Final (IPYNB)
- Conclusão da documentação
- 0.4.0 - 23/09/2022
- Comparação de modelos (IPYNB)
- Documentação dos resultados e comparações
- 0.3.0 - 09/09/2022
- Definição dos modelos e avaliação (IPYNB)
- Documentação dos resultados preliminares
- 0.2.0 - 26/08/2022
- Feature Engineering (IPYNB) - Criação de Features, Transformação de Features Categóricas em Features Numéricas, Normalização de Features e Remoção de Valores em Branco
- Documentação da Feature Engineering + Personas e Jornadas
- 0.1.0 - 12/08/2022
- Documentação do entendimento do negócio e dos dados
USPIA by Inteli, Giovane Goffi Andreussi, Jonas Viana Sales, Kaique Ramon Nogueira Dantas, Renato Silva Machado, Theo Albero Tosto, Vitor Augusto Menten de Barros is licensed under Attribution 4.0 International.
Aqui estão as referências usadas no projeto:
- CHAPMAN, Pete et al. CRISP-DM 1.0: Step-by-step data mining guide. SPSS inc, v. 9, n. 13, p. 1-73, 2000.
- JENSEN, Kenneth. Ibm spss modeler crisp-dm guide. Disponível em: IBM SPSS Modeler CRISP-DM Guide, 2016.
- DA SILVA, Leandro Augusto; PERES, Sarajane M.; BOSCARIOLI, Clodis. Introdução à Mineração de Dados - Com Aplicações em R: Grupo GEN, 2016. E-book. ISBN 9788595155473. Acesso em: 16 ago. 2022.
- FACELI, Katti; LORENA, Ana C.; GAMA, João; AL, et. Inteligência Artificial - Uma Abordagem de Aprendizado de Máquina: Grupo GEN, 2021. E-book. ISBN 9788521637509. Acesso em: 23 ago. 2022.
- APRENDA como selecionar features para seu modelo de machine learning. 5 mar. 2020. 1 vídeo (31 min 30 s). Publicado pelo canal Stack. Disponível em: https://www.youtube.com/watch?v=4RGT2YRHERY. Acesso em: 23 ago. 2022.
- EMANUEL G DE SOUZA. Entendendo o que é matriz de confusão com python. 27 mar. 2019. Disponível em: https://medium.com/data-hackers/entendendo-o-que-é-matriz-de-confusão-com-python-114e683ec509. Acesso em: 31 ago. 2022.
- REGRESSÃO logística. Disponível em: https://matheusfacure.github.io/2017/02/25/regr-log/. Acesso em: 7 set. 2022.
- ENSEMBLE learning - bagging, boosting, and stacking explained in 4 minutes! 29 mar. 2021. 1 vídeo (3 min 46 s). Publicado pelo canal ggnot2. Disponível em: https://www.youtube.com/watch?v=eLt4a8-316E. Acesso em: 7 set. 2022.
- A GENTLE introduction to pycaret for machine learning. Disponível em: https://machinelearningmastery.com/pycaret-for-machine-learning/. Acesso em: 20 set. 2022.
- PYCARET/BINARY Classification Tutorial Level Beginner - CLF101.ipynb at master · pycaret/pycaret. Disponível em: https://github.com/pycaret/pycaret/blob/master/tutorials/Binary%20Classification%20Tutorial%20Level%20Beginner%20-%20%20CLF101.ipynb. Acesso em: 20 set. 2022.