Estudos de Python para Dados e Machine Learning

Este repositório é dedicado ao estudo e aprofundamento na linguagem Python, com foco principal em bibliotecas de Ciência de Dados e Machine Learning. O objetivo final e principal deste roteiro de aprendizado é chegar ao entendimento e aplicação de Redes Neurais em Grafos (Graph Neural Networks - GNNs).

Objetivos

• Revisar e consolidar conceitos básicos de Python.
• Dominar as principais bibliotecas de Ciência de Dados (Pandas, NumPy, Matplotlib, etc.).
• Revisar os conceitos matemáticos fundamentais.
• Entender os fundamentos de Machine Learning (Scikit-Learn, TensorFlow/PyTorch).
• Explorar e implementar arquiteturas de Graph Neural Networks (GNNs).

Requisitos

• Python 3.9.25 (Você pode alterar a versão editando o arquivo .python-version caso utilize gerenciadores como pyenv).
• Editor de código (Recomendamos o VS Code com a extensão do Jupyter instalada para abrir os notebooks nativamente).

Como Configurar e Executar o Ambiente

1. Clone o repositório e entre na pasta do projeto:

   git clone https://github.com/diogomasc/python-aplicado-a-dados-e-machine-learning.git
   cd python-aplicado-a-dados-e-machine-learning
   

2. Crie o ambiente virtual (venv) (usando a versão correspondente do seu Python):

   python -m venv .venv
   

3. Ative o ambiente virtual:

   • No Linux/macOS:

     source .venv/bin/activate
     

   • No Windows:

     .venv\Scripts\activate
     

4. Instale as dependências do projeto (Se houver algum):

   pip install -r requirements.txt
   

Abrindo os Notebooks

Você tem duas opções principais para rodar os cadernos interativos (.ipynb):

Opção A: No VS Code (Mais rápido e integrado)

1. Instale a extensão do Jupyter no seu VS Code.
2. Abra qualquer arquivo .ipynb.
3. No canto superior direito, escolha "Select Kernel" e aponte para o ambiente virtual recém-criado.