🤖 Redes Neurais Artificiais e Suas Aplicações Práticas: Um Estudo com Estudantes do Ensino Médio

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

---

🎓 Apresentação do Projeto

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.

---

🛠️ Bibliotecas e Tecnologias

• 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

---

📁 Estrutura do Projeto

├── #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

---

🧪 Experimentos Realizados e Especificações Técnicas

🌸 1. Dataset Iris

• 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%.

🍷 2. Dataset Wine

• 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%.

🩺 3. Dataset Breast Cancer

• 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%.

💹 4. Dataset Yahoo Finance (Séries Temporais)

• 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.

---

⚙️ Parâmetros de Treinamento

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

---

🚀 Como Executar

1. Pré-requisitos

Instale as dependências do projeto:

pip install -r requirements.txt
# Ou manualmente:
pip install torch numpy scikit-learn matplotlib pandas yfinance

2. Métodos de Execução

Execução 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.ps1

Menu Interativo (CMD):

run_projects.bat

---

📊 Resultados Esperados

A execução de cada script exibirá informações do dataset, progresso do treinamento, acurácia final e gráficos.

Exemplo de Saída (Terminal)

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%

Gráficos Gerados

• 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.

---

🩻 Solução de Problemas

• 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.

---

📚 Considerações Finais

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.

---

👨‍🏫 Créditos e Contato

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.

---

🤝 Contribuição

1. Faça um fork do repositório.
2. Crie uma branch para sua feature.
3. Faça commit de suas mudanças.
4. Faça push para a branch.
5. Abra um Pull Request.

---

📝 Licença

Este projeto está licenciado sob a Licença MIT. Consulte o arquivo LICENSE para mais detalhes.