🧠 DataMiner

DataMiner é uma aplicação web interativa construída com Streamlit para exploração, visualização e mineração de dados a partir de arquivos CSV, sem necessidade de programação.

Ideal para estudantes, professores e analistas iniciantes, o DataMiner permite carregar dados e aplicar técnicas clássicas de análise como K-Means, Árvore de Decisão e Regras de Associação com Apriori, tudo de forma visual, simples e guiada.

O projeto é modular, extensível e focado em ensino e prototipagem rápida de análises — sendo uma alternativa leve e personalizável a ferramentas mais pesadas como Orange ou Exploratory.

---

🔧 Funcionalidades principais

• 📁 Upload de arquivos CSV com preview e estatísticas
• 📊 Visualização de dados (estatísticas, histograma, correlação, nulos)
• 🧹 Pré-tratamento básico de colunas e valores faltantes
• 📈 Agrupamento com algoritmo K-Means (com visualização)
• 🌳 Classificação com Árvore de Decisão (e acurácia)
• 🔗 Mineração de Regras de Associação com Apriori
• 💡 Geração automática de insights
• 📚 Interface amigável com navegação lateral (sidebar)
• ✅ Estrutura de código organizada em módulos

---

🚀 Como executar

# 1. Clone o repositório
git clone https://github.com/seu-usuario/dataMiner.git
cd dataMiner

# 2. Instale as dependências
pip install -r requirements.txt

# 3. Execute o app
streamlit run app.py

📦 Requisitos

• Python 3.9+
• streamlit
• pandas
• seaborn
• scikit-learn
• matplotlib
• mlxtend
• streamlit-option-menu

🛣️ Roadmap

🔹 Versão 1.1 – Limpeza e visualização mais completa

• Preenchimento de valores nulos com média/mediana/moda
• Normalização e padronização (MinMax Scaler, StandardScaler)
• Heatmap de correlação
• Boxplot por variável categórica
• Detecção de outliers (Z-Score ou IQR)

🎯 Objetivo: permitir uma exploração e preparação mais profunda dos dados.

🔹 Versão 1.2 – Novos algoritmos de mineração

• Adicionar Random Forest
• Adicionar Regressão Logística
• Adicionar K-Nearest Neighbors
• Avaliação de modelos: matriz de confusão, precisão, recall, F1

🎯 Objetivo: ampliar o leque de modelos preditivos e métricas.

🔹 Versão 1.3 – Qualidade de dados e diagnósticos

• Identificação de colunas com baixa variância
• Verificação de colunas com tipos mistos
• Colunas duplicadas ou altamente correlacionadas
• Verificador automático com "sugestões" de limpeza

🎯 Objetivo: identificar problemas sutis que afetam a análise.

🔹 Versão 1.4 – Funcionalidades interativas e utilitárias

• Botão para baixar dataset processado
• Exportar regras Apriori como CSV
• Geração de relatório em PDF ou HTML (com gráficos e insights)
• Carregamento de datasets padrão (Titanic, Iris, Market Basket)

🎯 Objetivo: facilitar o uso educacional e a exportação de resultados.

🔹 Versão 2.0 – Experiência orientada a ensino

• “Modo Assistido”: passos guiados com explicações (ex: "Agora escolha um target")
• Tooltips explicativos em widgets
• Abas para comparar modelos (ex: Árvore vs. Random Forest)
• Histórico de transformações no dataset
• Interface multilíngue (ex: EN/PT)

🎯 Objetivo: transformar o DataMiner em uma ferramenta de ensino acessível e didática.

📘 Licença Distribuído sob a licença MIT. Veja o arquivo LICENSE para mais informações.