Preview do site:
Autor: Bruno Pereira Carvalho
Orientador: Prof. Dr. André Luiz França Batista
Instituição: Instituto Federal de Educação, Ciência e Tecnologia do Triângulo Mineiro - Campus Ituiutaba
Ano: 2020
Este repositório apresenta um estudo prático e didático sobre Redes Neurais Artificiais (RNAs), voltado para estudantes do ensino médio. O objetivo é demonstrar, de forma acessível, como construir, treinar e avaliar RNAs utilizando Python e conjuntos de dados clássicos da ciência de dados.
O projeto, originalmente desenvolvido em notebooks Jupyter (.ipynb), foi completamente convertido para scripts Python (.py) funcionais, com melhorias significativas na estrutura, documentação e funcionalidades.
- Python 3.8 ou superior
- PyTorch — Construção e treinamento das redes neurais
- scikit-learn — Datasets, pré-processamento e utilitários de Machine Learning
- NumPy — Manipulação de arrays e computação numérica
- Matplotlib — Visualização de gráficos e resultados
- pandas — Manipulação e análise de dados tabulares
- yfinance — Obtenção de dados financeiros do Yahoo Finance
├── #1 Íris/ # Classificação de flores Íris
│ ├── setosa.py # Detecção de Iris Setosa
│ ├── versicolor.py # Detecção de Iris Versicolor
│ └── virginica.py # Detecção de Iris Virginica
├── #2 Wine/ # Classificação de vinhos
│ ├── wine.py # Classificação principal
│ ├── wine_class_1.py # Foco na classe 1
│ └── wine_class_2.py # Foco na classe 2
├── #3 Breast cancer/ # Classificação de câncer de mama
│ └── breast_cancer.py # Detecção de câncer maligno/benigno
├── #4 Previsão de séries temporais/ # Previsão de preços de ações
│ ├── magazine_luiza.py # Previsão MGLU3.SA
│ ├── csn.py # Previsão CSNA3.SA
│ └── jbs.py # Previsão JBSS3.SA
├── #5 Interface gráfica/ # Interfaces GUI (PyQt)
├── #6 Vazões/ # Análise de vazões
├── #7 Yahoo finance/ # Dados financeiros
├── requirements.txt # Dependências do projeto
├── run_projects.bat # Executor em lote para Windows (CMD)
├── run_projects.ps1 # Executor em lote para PowerShell
├── test_conversion.py # Script de teste de conversão
└── LICENSE # Licença MIT
- Descrição: Previsão da espécie de flores a partir de quatro atributos morfológicos.
- Objetivo: Classificação binária para cada uma das três espécies (Setosa, Versicolor, Virginica).
- Arquitetura: 4 neurônios de entrada → 5 na camada oculta → 1 de saída.
- Acurácia Esperada: >95%.
- Descrição: Classificação de vinhos em três classes, utilizando 13 atributos físico-químicos.
- Objetivo: Classificação das 3 classes de vinho.
- Arquitetura: 13 neurônios de entrada → 13 na camada oculta → 1 de saída.
- Acurácia Esperada: >90%.
- Descrição: Classificação de tumores malignos e benignos a partir de 30 atributos clínicos.
- Objetivo: Classificação binária para diagnóstico (maligno/benigno).
- Arquitetura: 30 neurônios de entrada → 30 na camada oculta → 1 de saída.
- Acurácia Esperada: >95%.
- Descrição: Previsão de preços de ações da BOVESPA (Magazine Luiza, CSN, JBS).
- Objetivo: Prever o valor de uma ação com base em seu histórico de preços.
- Método: Janela deslizante de 50 dias para prever o próximo dia.
- Período dos Dados: 2016-2020.
- Arquitetura: 50 neurônios de entrada → 100 na camada oculta → 1 de saída.
| Experimento | Épocas | Taxa de Aprendizado | Momentum | Neurônios (Oculta) | Otimizador | Função de Perda |
|---|---|---|---|---|---|---|
| Íris | 10.000 | 0.9 | - | 5 | SGD | MSELoss |
| Wine | 100.000 | 0.9 | 0.3 | 13 | SGD | MSELoss |
| Breast Cancer | 100.000 | 0.9 | 0.3 | 30 | SGD | MSELoss |
| Séries Temporais | 100.001 | 0.09 | 0.03 | 100 | SGD | MSELoss |
Instale as dependências do projeto:
pip install -r requirements.txt
# Ou manualmente:
pip install torch numpy scikit-learn matplotlib pandas yfinanceExecução Direta (PowerShell/CMD):
"C:/Program Files/Python313/python.exe" "#1 Íris/setosa.py"
"C:/Program Files/Python313/python.exe" "#3 Breast cancer/breast_cancer.py"Menu Interativo (PowerShell):
.\run_projects.ps1Menu Interativo (CMD):
run_projects.batA execução de cada script exibirá informações do dataset, progresso do treinamento, acurácia final e gráficos.
Dataset Iris carregado:
Formato dos dados: (150, 4)
Classes: ['setosa' 'versicolor' 'virginica']
Número de amostras por classe: [50 50 50]
Distribuição das classes convertidas: [100 50]
Dados de treinamento: torch.Size([120, 4])
Dados de teste: torch.Size([30, 4])
Modelo criado - Input size: 4, Hidden size: 5
Iniciando treinamento...
Epoch 0: train loss: 0.2791103422641754
Epoch 1000: train loss: 0.0007284045568667352
...
Epoch 9000: train loss: 5.3008032409707084e-05
Testando o modelo...
Acurácia: 100.00%
- Curva de Erro: Mostra a diminuição da perda (erro) do modelo durante o treinamento.
- Comparação Real vs. Predito: Compara visualmente os valores previstos pelo modelo com os valores reais.
- Erro de Importação: Certifique-se de que as dependências foram instaladas corretamente.
- Erro de Conexão (yfinance): Verifique sua conexão com a internet, firewall ou proxy.
- Erro de Memória: Reduza o número de épocas, o tamanho do batch ou a complexidade da rede neural.
- Erro de Caminho: Verifique se você está no diretório correto ao executar os comandos.
Os experimentos demonstraram que redes neurais artificiais são ferramentas poderosas para classificação e previsão. Para séries temporais, o aumento do número de épocas tende a melhorar a precisão, com destaque para o desempenho do modelo na previsão das ações da CSN. O projeto reforça a importância do ajuste de hiperparâmetros e da análise crítica dos resultados.
Este projeto foi desenvolvido por Bruno Pereira Carvalho, sob orientação do Prof. Dr. André Luiz França Batista (IFTM - Campus Ituiutaba).
Para dúvidas ou sugestões, utilize as issues do GitHub.
- Faça um fork do repositório.
- Crie uma branch para sua feature.
- Faça commit de suas mudanças.
- Faça push para a branch.
- Abra um Pull Request.
Este projeto está licenciado sob a Licença MIT. Consulte o arquivo LICENSE para mais detalhes.