Estudos em Machine Learning 📊🤖

Repositório com experimentos, análises e comparações de algoritmos de Machine Learning em diversos datasets. Aqui você encontra:

• Algoritmos de classificação, regressão e clustering
• Comparação de modelos e ajuste de hiperparâmetros
• Aplicação da metodologia CRISP-DM
• Análises exploratórias e código documentado
• Otimização de hiperparâmetros com Optuna
• Rastreamento e gerenciamento de experimentos com MLflow

---

📦 Como salvar seus arquivos com Docker

Para garantir que notebooks, modelos .pkl e outros arquivos criados no Jupyter sejam salvos na sua máquina, use volumes Docker:

1. Crie uma pasta local (ex: notebooks/).
2. Construa a imagem:

   docker build -t ml-jupyter .

3. Rode o container montando a pasta:

   docker run -p 8888:8888 -p 5000:5000 -v "$(pwd)/notebooks":/home/jovyan/work ml-jupyter

4. Acesse o Jupyter pelo navegador (link no terminal).

Tudo que for salvo no Jupyter estará disponível na sua pasta local, inclusive arquivos em subdiretórios como models/.

Dica: Use Git para versionar seus notebooks e adicione arquivos grandes ao .gitignore se necessário.

---

🚀 Optuna e MLflow

Este projeto utiliza Optuna para otimização automática de hiperparâmetros e MLflow para rastreamento, comparação e gerenciamento dos experimentos de machine learning.

• Optuna permite encontrar os melhores parâmetros para seus modelos de forma eficiente e automatizada.
• MLflow registra métricas, parâmetros, artefatos (como modelos e gráficos) e permite comparar diferentes execuções de experimentos.

Para acessar a interface do MLflow UI:

Execute o comando abaixo dentro do terminal do Jupyter (ou do container):

mlflow ui --host 0.0.0.0 --port 5000

Depois, acesse http://localhost:5000 no seu navegador para visualizar e comparar seus experimentos.

---

📚 Notebooks Disponíveis

Tipo	Título	Link do Binder
Classificação Multiclasse	Classificação Multiclasse com o Dataset Iris: Um Estudo Comparativo