README Principal – Projeto de Machine Learning

Este repositório contém três atividades de Machine Learning desenvolvidas em Python, utilizando datasets reais para diferentes objetivos e tipos de algoritmos. A seguir, uma visão geral de cada atividade, seu objetivo, o algoritmo principal utilizado e o dataset correspondente.

---

Atividade 01 – Algoritmo de Classificação de Comentários

• Objetivo: Criar um modelo que classifique comentários de usuários em três categorias:
  1. Crítica Negativa
  2. Crítica Construtiva
  3. Proposta
• Algoritmo Principal: Random Forest (classificação)
• Fluxo Resumido:
  1. Carregamento e limpeza do dataset.
  2. Mapeamento de categorias personalizadas a partir de métricas de sentimento e palavras-chave.
  3. Vetorização de texto usando TF-IDF.
  4. Treino e avaliação de um classificador Random Forest.
• Dataset: War_Data_Sentiment.csv
  • Fonte: Kaggle – The People Opinions About The War In 2023
  • Contém comentários de usuários sobre guerra com pontuação de sentimento e rótulo de emoção.
• Arquivo Principal: ATV01-MachineLearning-Douglas.py
• Link para detalhes: README_ATV01.md

---

Atividade 02 – Algoritmo de Regressão com Séries Temporais

• Objetivo: Prever o preço médio de jogos na Steam ao longo do tempo utilizando regressão de séries temporais.
• Algoritmo Principal: Facebook Prophet (modelagem de séries temporais)
• Fluxo Resumido:
  1. Leitura e pré-processamento do dataset, conversão de datas e agregação diária.
  2. Criação de regressores extras (razão de avaliações e log de proprietários).
  3. Treino do modelo Prophet no conjunto de treino e previsão para o conjunto de teste.
  4. Avaliação com métricas (MSE, RMSE, MAE, R²) e visualização dos componentes sazonais e de tendência.
• Dataset: steam_store_games_clean.csv
  • Origem: Dados de jogos da Steam com informações de data de lançamento, preço, avaliações e número de proprietários.
• Arquivo Principal: ATV02-Douglas.py
• Link para detalhes: README_ATV02.md

---

Atividade 03 – Algoritmo de Agrupamento de Jogos

• Objetivo: Agrupar jogos da Steam em clusters com base em características como gêneros, tags e compatibilidade com Linux.
• Algoritmo Principal: K-Means (clustering)
• Fluxo Resumido:
  1. Carregamento e limpeza do dataset.
  2. One-Hot Encoding de gêneros e das 20 tags mais frequentes.
  3. Criação de indicador de compatibilidade com Linux.
  4. Cálculo do método do cotovelo para determinar o número ótimo de clusters ((k)).
  5. Treino do modelo K-Means e atribuição de clusters aos jogos.
  6. Análise de centróides, proporção de suporte a Linux por cluster e visualizações via PCA 2D e 3D.
• Dataset: steam.csv
  • Origem: Dados públicos de jogos da Steam contendo appid, name, genres, steamspy_tags e platforms.
• Arquivo Principal: main.py
• Link para detalhes: README_ATV03.md

---

Como Navegar neste Repositório

1. Leia este README Principal para entender a estrutura geral e os objetivos de cada atividade.
2. Abra o README de cada atividade (links acima) para obter detalhes sobre instalação, execução, descrições completas dos scripts e resultados esperados.
3. Execute os scripts conforme indicado em cada README específico para reproduzir os experimentos e visualizações.

---

Dependências Comuns

Para todas as atividades, recomenda-se criar um ambiente virtual Python e instalar bibliotecas essenciais:

• pandas
• numpy
• scikit-learn
• matplotlib (quando aplicável)
• prophet (somente Atividade 02)

python -m venv venv
source venv/bin/activate  # No Windows: venv\Scripts\activate
pip install pandas numpy scikit-learn matplotlib prophet

---

Estrutura de Arquivos

├── ATV01-MachineLearning-Douglas.py
├── README_ATV01.md
├── War_Data_Sentiment.csv
│
├── ATV02-Douglas.py
├── README_ATV02.md
├── steam_store_games_clean.csv
│
├── main.py
├── README_ATV03.md
├── steam.csv
│
└── README_PRINCIPAL.md   ← Este arquivo

---

Contato

Para dúvidas ou sugestões sobre as atividades, entre em contato com o autor do repositório, eu.

---