🧠 TEDA Bootcamp — IEEE UFRN 2025

Este repositório contém o material prático do curso Bootcamp TEDA ministrado para o público de Engenharia Elétrica na UFRN durante o evento IEEE 2025.
O objetivo é apresentar, de forma prática e didática, o uso do algoritmo TEDA para detecção de anomalias em séries temporais de consumo energético.

📂 Estrutura do Repositório

.
├── TEDA_Demo_Bootcamp.ipynb   # Notebook principal com explicações e código
├── teda.py                    # Implementação do algoritmo TEDA
├── lead1.0-small.csv          # Dataset de consumo energético
├── README.md                  # Este arquivo
└── figures/                   # Resultados gerados (gráficos, CSVs)

📋 Pré-requisitos

• Python 3.8+
• Pacotes listados em requirements.txt:

  pip install pandas numpy matplotlib scikit-learn

🚀 Como Executar Localmente

1. Clone este repositório:

   git clone https://github.com/conect2ai/TEDA-Bootcamp.git
   cd TEDA-Bootcamp

2. Instale as dependências:

   pip install -r requirements.txt

3. Abra o notebook no Jupyter:

   jupyter notebook TEDA_Demo_Bootcamp.ipynb

4. Execute as células sequencialmente para:

   • Carregar e pré-processar os dados
   • Aplicar o TEDA
   • Visualizar as anomalias
   • Avaliar métricas e sensibilidade do parâmetro m

☁️ Executando no Google Colaboratory

1. Acesse: Google Colaboratory
2. Clique em Arquivo → Carregar notebook
3. Envie o arquivo TEDA_Demo_Bootcamp.ipynb
4. Também envie os arquivos teda.py e lead1.0-small.csv para a área de arquivos do Colab (painel à esquerda).
5. Execute as células na ordem.

💡 Dica: Você também pode abrir o notebook diretamente do GitHub no Colab clicando no link:

https://colab.research.google.com/github/conect2ai/TEDA-Bootcamp/blob/main/TEDA_Demo_Bootcamp.ipynb

📊 Dataset

O dataset lead1.0-small.csv contém leituras de consumo energético em kWh de diferentes edifícios, incluindo rótulos de anomalias para avaliação supervisionada do TEDA.

Referência do dataset

• LEAD1.0: A Large-scale Annotated Dataset for Energy Anomaly Detection in Commercial Buildings, Manoj Gulati & Pandarasamy Arjunan, arXiv preprint, 30 de março de 2022. Disponível em: arXiv

🧩 Algoritmo TEDA

O TEDA (Typicality and Eccentricity Data Analytics) é um método incremental para detecção de anomalias que não requer treinamento prévio e é adequado para execução em dispositivos embarcados (TinyML).

Principais referências:

• Angelov, P. "Anomaly detection based on eccentricity analysis", apresentação do framework TEDA em IEEE Symposium on Evolving and Autonomous Learning Systems (EALS), Orlando, FL, EUA, dezembro de 2014. Introduz os conceitos de typicality e eccentricity, calculados de forma recursiva e sem assumir distribuições paramétricas. IEEE Xplore

• Angelov também publicou o artigo "Outside the Box: An Alternative Data Analytics Framework", Journal of Automation, Mobile Robotics and Intelligent Systems, vol. 8, n.º 2, 2014, p. 29-35, que fundamenta o TEDA como uma metodologia sistemática que dispensa suposições prévias sobre os dados e é adequada para processos reais complexos. JAMRIS

• TEDA-RLS: A TinyML Incremental Learning Approach for Outlier Detection and Correction, Pedro Andrade et al., IEEE Sensors Journal, novembro de 2024. Proposta de um algoritmo incremental baseado em RLS para detecção e correção de outliers em tempo real, implementado em um scanner OBD-II como prova de conceito. Disponível em: IEEE Xplore

• TEDA-Forecasting: An Unsupervised TinyML Incremental Learning Approach for Outlier Processing and Forecasting, Pedro Andrade et al., Computing, vol. 107, artigo 162, publicado em 2 de julho de 2025, DOI: 10.1007/s00607-025-01490-3. Apresenta uma versão do TEDA adaptada para previsão de séries temporais e correção de outliers, com execução em dispositivo real de edge computing (TinyML) Springer Nature - Computing

🏆 Atividades

O notebook contém:

• Demonstrações passo a passo
• Exercícios práticos para explorar diferentes valores de m
• Comparação de desempenho entre prédios

📜 Licença

Este projeto é distribuído sob a licença MIT. Consulte o arquivo LICENSE para mais detalhes.

🌎 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.