🤖 Projetos de Machine Learning | DIO - Machine Learning Specialist

Bem-vindo ao meu repositório de projetos desenvolvidos durante o bootcamp Machine Learning Specialist da Digital Innovation One (DIO). Aqui você encontrará soluções práticas utilizando bibliotecas populares de Machine Learning em Python, como Scikit-learn, Pandas, Matplotlib, XGBoost, entre outras.

---

📁 Estrutura do Repositório

ML_DIO/
├── Assistente_virtual/
│   ├── speech-text.py
│   ├── text_speechipynb.ipynb
│
├── Transfer_Learning/
│   └── transfer_learning.ipynb
│
├── Reconhecimento_Facial/
│   └── reconhecimento_facial.ipynb
│
├── Sistema de Recomendação por Imagens/
│   └── sistema_recomendacao_imagens.ipynb
│
├── desafio_com_rede_yolo/
│   └── desafio_yolo.ipynb
│
├── matriz_de_confusao/
│   └── matriz_confusao.ipynb
│
├── reducao_dimensionalidade/
│   └── reducao_dimensionalidade.ipynb
│
└── README.md  ← você está aqui

---

🚀 Projetos Desenvolvidos

📌 Assistente Virtual com Python

• Objetivo: Criar um sistema de assistência virtual com reconhecimento e síntese de voz.
• Funcionalidades: Conversão de fala em texto e texto em fala e comandos por voz.

📌 Transfer Learning

• Objetivo: Aplicar técnicas de aprendizado por transferência com modelos pré-treinados para classificação de imagens.
• Técnicas: Fine-tuning de modelos como VGG16, ResNet ou MobileNet utilizando TensorFlow/Keras.

📌 Reconhecimento Facial

• Objetivo: Identificar e reconhecer rostos a partir de imagens ou vídeos.
• Técnicas: OpenCV, Dlib, face_recognition.

📌 Sistema de Recomendação por Imagens

• Objetivo: Recomendar imagens semelhantes com base em características visuais.
• Técnicas: Extração de features, distância euclidiana, visualização de similaridade.

📌 Detecção com Rede YOLO

• Objetivo: Aplicar o modelo YOLO para detecção de objetos em imagens.
• Técnicas: YOLOv3, OpenCV, uso de pesos pré-treinados.

📌 Matriz de Confusão

• Objetivo: Avaliar a performance de modelos classificadores com visualização gráfica.
• Técnicas: Scikit-learn, Seaborn, métricas de avaliação.

📌 Redução de Dimensionalidade

• Objetivo: Melhorar visualização e desempenho com menos variáveis.
• Técnicas: PCA, t-SNE, explicação visual de clusters.

---

🛠️ Tecnologias e Ferramentas

• Python 3.10+
• Jupyter Notebook / Google Colab
• Bibliotecas:
  • pandas
  • numpy
  • matplotlib
  • seaborn
  • scikit-learn
  • tensorflow, keras
  • opencv-python, dlib, face_recognition
  • speechrecognition, gtts, playsound, pyjokes, wikipedia

---

👨‍💻 Desenvolvido por Tadeu Augusto Vilela da Silva
📧 tadeuaugustocontato@gmail.com
📍 Serra, ES – Brasil
🔗 LinkedIn: https://linkedin.com/in/tadeu-augusto

🌟 Contribuição

Este repositório está aberto a sugestões e melhorias. Fique à vontade para abrir uma issue ou um pull request!

---