Trabalhos de inteligência artificial e análise de dados desenvolvidos em disciplinas da UFG

Sobre o repositório

O objetivo deste repositório é armazenar os projetos de inteligência artificial e análise de dados desenvolvidos em disciplinas cursadas na Universidade Federal de Goiás.

Descrição dos pápeis

• Analista de Dados: responsável por realizar a análise exploratória e pré-processamento dos dados;
• Gerente: responsável por realizar a gestão do projeto e confecção da documentação (relatório técnico);
• Engenheiro de Conhecimento: responsável por implementar a solução.

Projetos desenvolvidos

01. Identificação de transações financeiras fraudulentas com árvores de decisão

• Disciplina: Inteligência Artificial (2021);
• Papel assumido: analista de dados;
• Artefatos:
  • Análise exploratória dos dados;
  • Arquivo com AED, pré-processamento e implementação da solução.

02. Identificação de transações financeiras fraudulentas com redes neurais artificiais

• Disciplina: Inteligência Artificial (2021);
• Papel assumido: gerente;
• Artefatos:
  • Relatório Técnico;
  • Correção do RT pelo professor.

03. Sistema de recomendação de imóveis com lógica nebulosa

• Disciplina: Inteligência Artificial (2021);
• Papel assumido: analista de dados;
• Artefatos:
  • Análise exploratória dos dados.

04. Predição de óbitos por doenças cardiovasculares com rede bayesiana

• Disciplina: Inteligência Artificial (2021);
• Papel assumido: engenheiro de conhecimento;
• Artefatos:
  • Notebook com a implementação.

05. Identificação de melhor dieta alimentar capaz de diminuir efeitos da COVID-19 com algoritmos genéticos

• Disciplina: Inteligência Artificial (2021);
• Papel assumido: engenheiro de conhecimento;
• Artefatos:
  • Notebook com a implementação do modelo.

06. Autorização de procedimentos de uma operadora de planos de saúde com random florest

• Disciplina: Mineração de Dados e Aprendizado de Máquina (2022);
• Score Kaggle: otimizado de 66% para 85%;
• Papel assumido: analista de dados e engenheiro de conhecimento;
• Modelo: foram testados diversos algortimos - KNN, SVM e rede neurais - mas a solução final foi construída com random florest;
• Artefatos:
  • Notebook com a implementação do modelo;
  • Resultados da válidação cruzada;
  • Arquivo para submissão no Kaggle.
• Competição no Kaggle.