Curso de Python 3 - Udemy

Repositório com materiais, códigos das aulas e Jupyter Notebooks desenvolvidos durante o curso de Python 3 na Udemy. Back-end e Machine Learning com Iris Dataset, Advertising Dataset e reconhecimento de imagens (Digits).

📋 Sobre o Projeto

Este projeto reúne os arquivos das aulas e notebooks do curso de Python 3 na Udemy, ministrado pelo Prof. Ivan Lourenço Gomes. Inclui exemplos de programação em Python (estruturas de dados, funções, validação), regressão linear com métricas (MAE, MSE, RMSE), uso de Pandas, Seaborn, NumPy e Scikit-learn, além de reconhecimento de imagens com SVM e K-NN no Iris e Digits Dataset.

📁 Estrutura do Projeto

Python 3 - Início (Python 3 - Inicio/)

• Codigos das Aulas.py — Códigos das aulas: tuplas, dicionários, loops, validação de dados, fatura
• Aula49.py — Conteúdo da aula 49
• IMC function Code.py — Cálculo de IMC com funções
• testes.py — Scripts de teste

Machine Learning - Jupyter Notebook (Machine Learning - Jupyter Notebook/)

• iris dataset.ipynb — Trabalho com Iris Dataset (importação, observações)
• Advertising Dataset.ipynb — Regressão linear com método dos Mínimos Quadrados (Least Squares)
• Exercicio Regressao Linear.ipynb — Exercício de regressão linear (train/test split, métricas)
• Digits Dataset.ipynb — Reconhecimento de imagens com SVM e visualização (Matplotlib)
• selecionar valor de K.ipynb — Seleção do valor de K para K-NN no Iris (accuracy por K)

JSON (JSON/)

• testes.py — Testes relacionados a JSON

📂 Estrutura do repositório

LICENSE
README.md
.gitignore
.gitattributes
.github/
  FUNDING.yml
Python 3 - Inicio/
  Codigos das Aulas.py    # tuplas, dicionários, loops, validação, fatura
  Aula49.py
  IMC function Code.py
  testes.py
Machine Learning - Jupyter Notebook/
  iris dataset.ipynb           # Iris Dataset
  Advertising Dataset.ipynb    # Regressão linear - Least Squares
  Exercicio Regressao Linear.ipynb  # exercício regressão
  Digits Dataset.ipynb         # reconhecimento de imagens (SVM)
  selecionar valor de K.ipynb  # K-NN, seleção de K
JSON/
  testes.py

🛠️ Tecnologias Utilizadas

• Python 3 — Linguagem de programação
• Jupyter Notebook — Ambiente interativo para análise e ML
• NumPy — Cálculos numéricos e arrays
• Pandas — Manipulação de dados
• Matplotlib — Visualização de dados
• Seaborn — Visualização estatística
• Scikit-learn (sklearn) — Machine Learning (regressão linear, SVM, K-NN, métricas)

📝 Conteúdos e Funcionalidades

Iris Dataset

• Regressão linear e métricas
  • Least Squares Method
  • MAE (Mean Absolute Error)
  • MSE (Mean Squared Error)
  • RMSE (Root Mean Square Error)
  • Uso de Pandas, Seaborn, Sklearn e NumPy
• Classificação
  • SVM (Support Vector Machine)
  • K-NN e seleção do valor de K (accuracy por vizinhos)
  • Visualização com Matplotlib

Reconhecimento de imagens

• Digits Dataset — Classificação de dígitos manuscritos com SVM, NumPy, Matplotlib e Sklearn

Python 3 - Fundamentos

• Tuplas e dicionários
• Loops e estruturas de controle
• Validação de dados (preços, tipos)
• Funções (ex.: IMC)
• Fatura com lista de produtos e total

🚀 Como Executar

Pré-requisitos

• Python 3.x
• Dependências: numpy, pandas, matplotlib, seaborn, scikit-learn, jupyter

Instalação das dependências

pip install numpy pandas matplotlib seaborn scikit-learn jupyter

Executar scripts Python

# Na pasta do projeto
python "Python 3 - Inicio/Codigos das Aulas.py"
python "Python 3 - Inicio/IMC function Code.py"

Executar Jupyter Notebooks

jupyter notebook
# Abra a pasta "Machine Learning - Jupyter Notebook" e execute os .ipynb desejados

Ou, na pasta dos notebooks:

cd "Machine Learning - Jupyter Notebook"
jupyter notebook

📚 Conteúdos Abordados

• ✅ Estruturas básicas em Python (tuplas, dicionários, listas)
• ✅ Entrada e saída de dados, validação
• ✅ Loops e estruturas de controle
• ✅ Funções
• ✅ Regressão linear (método dos mínimos quadrados)
• ✅ Métricas de regressão (MAE, MSE, RMSE)
• ✅ Classificação: SVM e K-NN
• ✅ Datasets: Iris, Advertising, Digits
• ✅ Pandas, NumPy, Matplotlib, Seaborn, Scikit-learn

📄 Licença

Este projeto está licenciado sob a MIT License — veja o arquivo LICENSE para mais detalhes.

📖 Referências

• Curso de Python 3 na Udemy — Prof. Ivan Lourenço Gomes
• Código-fonte em *.py e *.ipynb neste repositório

---

Hashtags

#Python3 #Udemy #MachineLearning #RegressaoLinear #SVM #KNN #IrisDataset #DigitsDataset #Pandas #NumPy #ScikitLearn #JupyterNotebook #DataScience #OpenSource #GitHub

Meta Keywords

Python 3, Udemy, curso Python, regressão linear, SVM, K-NN, Iris Dataset,
Digits Dataset, Advertising Dataset, Pandas, NumPy, Matplotlib, Seaborn,
Scikit-learn, Jupyter Notebook, machine learning, MAE, MSE, RMSE,
reconhecimento de imagens, código exemplo, código aberto