DataScience-AI

PROJETO CIÊNCIA DE DADOS - Previsão de Vendas

Step by Step - Previsão de Vendas

• Passo 1: Entendimento do Desafio
• Passo 2: Entendimento da Área/Empresa
• Passo 3: Extração/Obtenção de Dados
• Passo 4: Ajuste de Dados (Tratamento/Limpeza)
• Passo 5: Análise Exploratória
• Passo 6: Modelagem + Algoritmos (Aqui que entra a Inteligência Artificial, se necessário)
• Passo 7: Interpretação de Resultados

Importar a base de dados

• !pip install matplotlib
• !pip install seaborn
• !pip install scikit-learn

#Depois vamos importar o arquivo que vamos analisar

• import pandas as pd
• tabela = pd.read_csv("nome_do_arquivo.csv")
• display(tabela)

obs: para usar o pd.read_csv("nome_do_arquivo.csv) primeiro você deve importar seus arquivos no Jupyter caso não tenha o arquivo importado deverá indicar o caminho que seu arquivo esta

Agora vamos fazer uma Análise Exploratória dos arquivos

• Vamos tentar visualizar como as informações de cada item estão distribuídas
• Vamos ver a correlação entre cada um dos itens

Para isso , vamos importar o seaborn e o matplotlib

• import seaborn as sns

• import matplotlib.pyplot as plt

• sns.heatmap(tabela.corr(), annot=True, cmap="Wistia")

• plt.show()

outra forma de ver a mesma análise

• sns.pairplot(tabela)
• plt.show()

Com isso, podemos partir para a preparação dos dados para treinarmos o Modelo de Machine Learning

• Separando em dados de treino e dados de teste

Depois de treinar os dados e preparar o modelo de teste e resolver um problema de regressão, temos a tabela abaixo