Bem-vindo ao meu repositório de projetos de Inteligência Artificial (IA). Aqui, compartilho o que aprendi ao longo do desenvolvimento de soluções para problemas complexos utilizando técnicas de aprendizado de máquina e processamento de dados. Cada projeto é um marco importante no meu desenvolvimento como profissional, aplicando IA em diferentes cenários.
O repositório contém as seguintes pastas, cada uma representando um projeto individual:
- Projeto 1 - IIoT em Planta de Processo e Separador Trifásico
- Projeto 2 - Classificação de Doenças Foliares em Plantas de Milho
Neste projeto, trabalhei com dados simulados de uma planta de processo com um separador trifásico de água, gás e petróleo, aplicando conceitos de IIoT e machine learning para identificar falhas de rendimento.
- Python: Para manipulação e análise de dados.
- Pandas: Para análise de grandes volumes de dados e manipulação de tabelas.
- Scikit-learn: Para aplicação de modelos de aprendizado de máquina.
- XGBoost e LightGBM: Para criação de modelos otimizados baseados em gradiente.
- Matplotlib e Seaborn: Para visualização de dados e análise gráfica.
- Jupyter Notebooks: Para desenvolvimento e experimentação.
- Análise de dados e detecção de anomalias: Aprendi a identificar padrões incomuns em dados massivos gerados por sensores, o que é fundamental para otimizar processos industriais.
- Pré-processamento de dados: Lidei com dados sintéticos e aprendi a realizar tarefas de limpeza, filtragem e normalização, essenciais para garantir a qualidade do aprendizado de máquina.
- Técnicas de aprendizado de máquina: Experimentei diversos modelos classificadores, como árvores de decisão e métodos baseados em gradiente, aprimorando minhas habilidades em XGBoost e LightGBM.
- Otimização de hiperparâmetros: Utilizei técnicas como validação cruzada e otimização de hiperparâmetros para melhorar o desempenho dos modelos, o que me ajudou a entender melhor a importância do ajuste fino.
Este projeto envolveu a aplicação de redes neurais convolucionais (CNNs) para a classificação de doenças foliares em plantas de milho usando um conjunto de dados popular que contém imagens de folhas afetadas por doenças como ferrugem comum, mancha cinzenta e pragas.
- Python: Para o desenvolvimento dos modelos.
- TensorFlow e Keras: Para implementação de redes neurais convolucionais (CNNs).
- PyTorch: Para experimentação com modelos baseados em redes transformadoras (ViT).
- OpenCV: Para processamento e manipulação de imagens.
- Edge Impulse: Para testar os modelos em dispositivos embarcados.
- Jupyter Notebooks: Para desenvolvimento e testes.
- Kaggle: Para o acesso ao conjunto de dados de classificação de doenças.
- Redes Neurais Convolucionais (CNNs): Entendi como construir e treinar CNNs para tarefas de classificação de imagens, otimizando a arquitetura para obter melhores resultados.
- Transferência de aprendizado: Trabalhei com modelos pré-treinados, como VGG16 e ResNet, e aprendi a aplicar transferência de aprendizado para melhorar o desempenho em um curto tempo de treinamento.
- Vision Transformers (ViT): Explorei redes ViT para classificação de imagens, compreendendo como essas arquiteturas podem superar CNNs em certos cenários.
- Desenvolvimento para plataformas embarcadas: Realizei testes em dispositivos embarcados usando Edge Impulse, o que me permitiu entender melhor a integração de IA em ambientes de baixa latência e restrições de hardware.
Contribuições para melhorar os projetos são bem-vindas! Caso tenha interesse, faça um fork do repositório, implemente as melhorias e envie um pull request.
Caso tenha interesse em discutir qualquer um dos projetos ou oportunidades relacionadas a IA, entre em contato:
- LinkedIn: linkedin.com/in/geangoncalves
Este repositório está licenciado sob a Licença MIT. Consulte o arquivo LICENSE para mais detalhes.