FIAP - Faculdade de Informática e Administração Paulista

Nome do projeto

Nome do grupo

👨‍🎓 Integrantes:

• Ederson Badeca
• Lucas Ferreira Hillesheim

👩‍🏫 Professores:

Tutor(a)

• Leonardo Ruiz Orabona

Coordenador(a)

• ANDRÉ GODOI CHIOVATO

📜 Descrição

FarmTech Solutions: Machine Learning e Computação em Nuvem para Agricultura de Precisão

Índice

1. Descrição do Projeto
2. Objetivos do Projeto
3. Tecnologias e Ferramentas
4. Impacto e Aplicações
5. Vídeos de Demonstração
   • Demonstração do Notebook
   • Demonstração da Estimativa AWS
6. Notebook Jupyter
7. Estrutura de Pastas
8. Como Executar o Código
   • Pré-requisitos
   • Bibliotecas Necessárias
   • Visualização da Estimativa AWS
   • Instalação e Execução
   • Estrutura do Notebook
   • Dados
   • Resultados
9. Licença

Este projeto representa a Fase 5 do nosso curso, onde atuamos como consultores da FarmTech Solutions, uma empresa especializada em soluções de Inteligência Artificial para o setor agrícola. Nossa missão é desenvolver modelos preditivos e análises de tendências para uma fazenda de médio porte (aproximadamente 200 hectares) que cultiva diversas culturas.

Link para o video de demonstração do Notebook

Link para o video de demonstração do aws estimate

Feedback da faculdade

feedback do professor Pontos positivos: A análise exploratória dos dados foi bem feita, com gráficos claros, descrição das variáveis e identificação de padrões. A aplicação de clusterização (KMeans) foi implementada corretamente, com visualização dos clusters e comentários sobre possíveis tendências. Foram construídos cinco modelos preditivos distintos, com comparação por métricas como R², MAE e MSE. O código Python está bem organizado, com boas práticas, comentários explicativos e estrutura de Markdown para guiar a leitura. Sobre o ir alem:Boa documentação e desenvolvimento do esquematico elétrico. Código bem estruturado e dividido nas pastas. Criação do Front End A Entrega 2 foi executada com qualidade: Os custos foram estimados de forma detalhada, com uso da AWS Pricing Calculator, comparando São Paulo (US$ 12,49/mês) e Virgínia do Norte (US$ 7,07/mês). O documento mostra o uso de instância t4g.micro e 50GB de EBS, atendendo exatamente aos requisitos da proposta. A justificativa é sólida, considerando: A latência mais baixa ao hospedar no Brasil. A necessidade de conformidade com a LGPD, especialmente em se tratando de dados sensíveis. O equilíbrio entre custo e desempenho, defendendo tecnicamente a escolha por São Paulo, mesmo com valor superior. A conclusão é clara, com uma recomendação alinhada às boas práticas de computação em nuvem para aplicações sensíveis e geograficamente localizadas.   Pontos de melhoria: Nenhum ponto relevante foi identificado. A entrega está completa e de alta qualidade.

Parabéns pelo trabalho! O projeto cobre com excelência todos os pontos solicitados: desde a modelagem de dados com análise e previsão de rendimento agrícola, até a justificativa técnica e legal para a escolha da infraestrutura em nuvem. A decisão final foi bem fundamentada e comunicada de maneira clara e profissional. Um projeto maduro, com ótima aplicabilidade e pronto para ser usado em portfólio ou como case real de aplicação de IA no agronegócio.

Objetivos do Projeto

O projeto está estruturado em duas entregas principais:

Entrega 1: Análise Preditiva de Rendimento de Safras

• Realizamos uma análise exploratória completa do conjunto de dados "crop_yield.csv", que contém informações sobre condições climáticas e rendimento de diferentes culturas.
• Aplicamos técnicas de clusterização para identificar tendências nos rendimentos das plantações e detectar possíveis outliers.
• Desenvolvemos cinco modelos preditivos utilizando diferentes algoritmos de regressão supervisionada para prever o rendimento das safras com base em variáveis como precipitação, umidade específica, umidade relativa e temperatura.
• Avaliamos o desempenho dos modelos utilizando métricas relevantes e identificamos o algoritmo mais eficaz para este cenário específico.

Entrega 2: Infraestrutura de Computação em Nuvem

• Realizamos uma análise comparativa de custos utilizando a calculadora da AWS para hospedar nossa solução de Machine Learning.
• Comparamos os valores entre as regiões de São Paulo (Brasil) e Virgínia do Norte (EUA) para uma máquina Linux com configurações específicas (2 CPUs, 1 GiB de memória, até 5 Gigabit de rede e 50 GB de armazenamento).
• Avaliamos as implicações legais e técnicas relacionadas ao armazenamento de dados no exterior versus localmente.
• Justificamos nossa escolha de infraestrutura considerando fatores como custo, desempenho e conformidade regulatória.

Tecnologias e Ferramentas

Para o desenvolvimento deste projeto, utilizamos:

• Python como linguagem principal de programação
• Bibliotecas de ciência de dados: Pandas, NumPy, Scikit-learn
• Ferramentas de visualização: Matplotlib, Seaborn
• Jupyter Notebook para documentação e execução do código
• AWS para análise de infraestrutura em nuvem

Impacto e Aplicações

Nossa solução permite que a fazenda:

• Otimize o planejamento de plantio com base em previsões precisas de rendimento
• Identifique condições ideais para maximizar a produtividade de diferentes culturas
• Tome decisões baseadas em dados sobre alocação de recursos e investimentos
• Reduza custos operacionais através de uma infraestrutura em nuvem otimizada

Este projeto demonstra como a combinação de Machine Learning e Computação em Nuvem pode transformar práticas agrícolas tradicionais, promovendo uma agricultura mais eficiente, sustentável e lucrativa.

Nota: Os detalhes completos da implementação, resultados e análises estão disponíveis no notebook Jupyter associado a este repositório.

📁 Estrutura de pastas

Dentre os arquivos e pastas presentes na raiz do projeto, definem-se:

• .github: Nesta pasta ficarão os arquivos de configuração específicos do GitHub que ajudam a gerenciar e automatizar processos no repositório.

• assets: aqui estão os arquivos relacionados a elementos não-estruturados deste repositório, como imagens.

• config: Posicione aqui arquivos de configuração que são usados para definir parâmetros e ajustes do projeto.

• document: aqui estão todos os documentos do projeto que as atividades poderão pedir. Na subpasta "other", adicione documentos complementares e menos importantes.

• scripts: Posicione aqui scripts auxiliares para tarefas específicas do seu projeto. Exemplo: deploy, migrações de banco de dados, backups.

• src: Todo o código fonte criado para o desenvolvimento do projeto ao longo das 7 fases.

• README.md: arquivo que serve como guia e explicação geral sobre o projeto (o mesmo que você está lendo agora).

🔧 Como executar o código

Pré-requisitos

Para executar este projeto, você precisará ter instalado:

• Python 3.8 ou superior
• Jupyter Notebook ou JupyterLab
• Git (para clonar o repositório)

Bibliotecas necessárias

As seguintes bibliotecas Python são necessárias para executar o notebook:

pandas==1.5.3
numpy==1.24.3
scikit-learn==1.2.2
matplotlib==3.7.1
seaborn==0.12.2

Visualização da estimativa AWS

Clique aqui para verificar as estimativas da AWS

AWS Pricing Calculator Ederson Badeca.pdf - Documento PDF com detalhes da análise de custos

AWS Technical Decision - Documento com justificativa técnica da escolha da infraestrutura AWS

Instalação e execução

1. Clone este repositório:

   git clone https://github.com/seu-usuario/nome-do-repositorio.git
   cd nome-do-repositorio
   

2. Instale as dependências:

   pip install -r requirements.txt
   

3. Acesse o notebook Jupyter:

   • EdersonBadeca_rm560204_pbl_fase5.ipynb

4. Execute o notebook:

   jupyter notebook src/EdersonBadeca_rm560204_pbl_fase5.ipynb
   

   Ou se preferir usar JupyterLab:

   jupyter lab src/EdersonBadeca_rm560204_pbl_fase5.ipynb
   

5. Execute todas as células do notebook sequencialmente para reproduzir a análise completa.

Estrutura do notebook

O notebook está organizado nas seguintes seções:

1. Introdução e carregamento dos dados: Apresentação do problema e importação do dataset.
2. Análise exploratória de dados: Visualizações e estatísticas descritivas.
3. Clusterização para identificação de tendências: Aplicação de algoritmos não supervisionados.
4. Modelos preditivos: Implementação de cinco algoritmos de regressão diferentes.
5. Avaliação de modelos: Comparação de desempenho entre os modelos.
6. Conclusões: Resumo dos resultados e insights obtidos.

Dados

O arquivo de dados crop_yield.csv está localizado na pasta data/ e contém informações sobre condições climáticas e rendimento de diferentes culturas agrícolas.

Resultados

Os resultados da análise, incluindo gráficos e métricas de desempenho dos modelos, são gerados durante a execução do notebook.

📋 Licença

MODELO GIT FIAP por Fiap está licenciado sobre Attribution 4.0 International.