Neste vídeo, explico um projeto completo de aplicação de Machine Learning em dados de carros, começando pela coleta de dados do site QatarSale usando Web Scraping, depois transformando os dados em um conjunto de dados organizado, realizando a Compreensão de Dados e Pré-processamento de Dados, até treinar um modelo de Regressão Linear para prever os preços dos carros.
O projeto inclui a extração de dados de carros, como ano de fabricação, número de cilindros, quilometragem e preço, e a conversão de dados textuais em dados numéricos que podem ser usados no modelo de aprendizado de máquina.
Em seguida, os dados são limpos e colunas desnecessárias são removidas, depois os dados são divididos em Treinamento e Validação, aplicando Normalização Min-Max e Padronização, analisando a Correlação entre as variáveis, e então construindo um modelo de Regressão Linear e avaliando-o usando o Erro Quadrático Médio (MSE).
Também é apresentada uma Visualização dos dados antes e depois do processamento, além de comparar os preços reais com os preços esperados pelo modelo.
O projeto demonstra um ciclo completo de trabalho em Machine Learning que começa com:
Web Scraping → Criação de Conjunto de Dados → Compreensão de Dados → Pré-processamento de Dados → Visualização de Dados → Seleção de Recursos → Divisão de Dados → Normalização → Padronização → Análise de Correlação → Regressão Linear → Avaliação do Modelo.
Conjunto de Dados: 200 Registros de Carros
Modelo: Regressão Linear
Variável Alvo: Preço do Carro
Recursos: Ano, Cilindros, Quilometragem
Métrica de Avaliação: Erro Quadrático Médio (MSE)