Nesse reprositório que fiz e de estudos de machine learning, data analytics, modelos ML NLP. Esse projetos e para fim de estudos em ciências de dados aplicando os dados da covid19.
- Python
- R
- Análise de dados
- Machine learning
- Dashboard
- Series temporais
Projeto | Link |
---|---|
Machine learning NLP - Research Articles | Link |
Machine learning NLP - COVID-19 All Vaccines Tweets | Link |
Machine learning NLP - Coronavirus tweets text Classification | Link |
Machine learning NLP - COVID-19 🦠 Vaccine Tweets | Link |
Machine learning NLP - Omicron - Covid19 Variant | Link |
Time series - Corona Virus | Link |
Time series - COVID-19 World Vaccination Progress | Link |
Data analytics - COVID-19 World Vaccination Progress | Link |
Data analytics - Covid Variants | Link |
Data analytics - COVID-19 Vaccinations | Link |
Machine learning - COVID Fake News | Link |
Machine learning - Fake news | Link |
Machine learning - Diagnosis of COVID-19 and its clinical spectrum | Link |
Machine learning - COVID-NET Hospitalization Rates | Link |
Machine learning - SARS hospitalization in Brazil | Link |
Machine learning - OpenVaccine: COVID-19 mRNA Vaccine | Link |
Deep learning X-Ray Images (Pneumonia) | Link |
Deep learning COVID-19 Patients Lungs X Ray Images 10000 | Link |
Para rodar esse projeto, você vai precisar adicionar as seguintes variáveis de ambiente no seu .env
Instalando a virtualenv
pip install virtualenv
Nova virtualenv
virtualenv nome_virtualenv
Ativando a virtualenv
source nome_virtualenv/bin/activate
(Linux ou macOS)
nome_virtualenv/Scripts/Activate
(Windows)
Retorno da env
projeto_py source venv/bin/activate
Desativando a virtualenv
(venv) deactivate
Instalando pacotes
(venv) projeto_py pip install flask
Instalando as bibliotecas
pip freeze
Instalação das bibliotecas para esse projeto no python.
conda install pandas
conda install scikitlearn
conda install numpy
conda install scipy
conda install matplotlib
python==3.6.4
numpy==1.13.3
scipy==1.0.0
matplotlib==2.1.2
Instalação do Python É altamente recomendável usar o anaconda para instalar o python. Clique aqui para ir para a página de download do Anaconda https://www.anaconda.com/download. Certifique-se de baixar a versão Python 3.6. Se você estiver em uma máquina Windows: Abra o executável após a conclusão do download e siga as instruções.
Assim que a instalação for concluída, abra o prompt do Anaconda no menu iniciar. Isso abrirá um terminal com o python ativado. Se você estiver em uma máquina Linux: Abra um terminal e navegue até o diretório onde o Anaconda foi baixado. Altere a permissão para o arquivo baixado para que ele possa ser executado. Portanto, se o nome do arquivo baixado for Anaconda3-5.1.0-Linux-x86_64.sh, use o seguinte comando: chmod a x Anaconda3-5.1.0-Linux-x86_64.sh.
Agora execute o script de instalação usando.
Depois de instalar o python, crie um novo ambiente python com todos os requisitos usando o seguinte comando
conda env create -f environment.yml
Após a configuração do novo ambiente, ative-o usando (windows)
activate "Nome do projeto"
ou se você estiver em uma máquina Linux
source "Nome do projeto"
Agora que temos nosso ambiente Python todo configurado, podemos começar a trabalhar nas atribuições. Para fazer isso, navegue até o diretório onde as atribuições foram instaladas e inicie o notebook jupyter a partir do terminal usando o comando
jupyter notebook
Demo modelo machine learning
# Carregando as bibliotecas
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
# Carregando o dataset
data = pd.read_csv("data.csv")
# Visualizando os 5 primeiros itens
data.head()
# visualizando linhas e colunas com shape
data.shape
# Informações das variaveis
data.info()
# Definindo variaveis para modelo
train = dados.iloc[:, 0:8].values
test = dados.iloc[:, 1].values
# Escalonamento dados
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
scaler.fit(valores_exames_v1)
saler_fit = StandardScaler.transform(valores_exames_v1)
# Treinamento do modelo
from sklearn.model_selection import train_test_split
X_train, x_test, y_train, y_test = train_test_split(X, y, test_size = 0.2)
# Modelo machine learning
# Algoritmo Naive bayes
from sklearn.naive_bayes import GaussianNB
naive = GaussianNB()
naive.fit(x_train, y_train)
naive_score = naive.score(x_train, y_train)
naive_score
# Previssão do naive bayes
naive_pred = naive.predict(x_test)
naive_pred
# Matriz de confusão e accuracy
from sklearn import metrics
from sklearn.metrics import accuracy_score
accuracy = accuracy_score(y_test, naive_pred)
matrix_naive = metrics.confusion_matrix(y_test, naive_pred)
print("Acurácia Naive bayes\n %.2f" % (accuracy))
print("Matrix de confusão")
print(matrix_naive)
# Classification Report
from sklearn.metrics import classification_report
clas1 = classification_report(y_test, reg_pred)
clas2 = classification_report(y_test, naive_pred)
print("Regressão logistica\n")
print(clas1)
print("Naive bayes\n")
print(clas2)
Para suporte, mande um email para rafaelhenriquegallo@gmail.com ou entre em nosso canal do Slack.