5 projetos de Machine Learning para iniciantes

October 1, 2025

O aprendizado de máquina (Machine Learning) é uma área empolgante da inteligência artificial que permite aos computadores aprenderem com os dados e fazerem previsões ou decisões sem serem explicitamente programados. Se você está começando sua jornada em Machine Learning, aqui estão cinco projetos simples que você pode tentar para ganhar experiência prática.

1) Previsão de emissões de carbono (Regressão simples)

Objetivo: Prever as emissões de carbono com base em fatores como consumo, tipo de combustível e eficiência do veículo.

Ferramentas: Python, Scikit-learn, Pandas, matplotlib

Descrição: Use o conjunto de dados FuelConsumption que contem informações sobre características de veículos e seu consumo de combustível. Treine um modelo de regressão linear simples para prever as emissões de CO2 com base no consumo de combustível.

Tarefas a serem executadas nesse projeto:

• Carregamento dos dados
• Análise exploratória dos dados
• Pré-processamento dos dados (tratamento de valores ausentes, codificação de variáveis categóricas)
• Gráfico de espalhamento (scatter plot)
• Divisão dos dados em conjuntos de treinamento e teste
• Treinamento do modelo de regressão linear (LR, Lasso, Ridge)
• Avaliação do modelo usando métricas como RMSE (Root Mean Squared Error, MSE)

2) Previsão de emissões de carbono (Regressão múltipla)

Objetivo: Melhorar a precisão da previsão de emissões de carbono considerando múltiplos fatores.

Ferramentas: Python, Scikit-learn, Pandas, matplotlib

Descrição: Expanda o projeto anterior para incluir mais variáveis: tamanho do motor, quantidade de cilindros e tipo de combustível. Use regressão múltipla para capturar a influência combinada dessas variáveis.

Tarefas a serem executadas nesse projeto:

• Carregamento dos dados
• Análise exploratória dos dados
• Pré-processamento dos dados (tratamento de valores ausentes, codificação de variáveis categóricas)
• Gráfico de espalhamento (scatter plot)
• Divisão dos dados em conjuntos de treinamento e teste
• Treinamento do modelo de regressão linear (Árvore de Decisão)
• Ajuste de hiperparâmetros (Grid Search)
• Avaliação do modelo usando métricas como RMSE (Root Mean Squared Error, MSE)
• Salve o modelo treinado em um diretório específico

3) Classificação de espécies de plantas

Objetivo: Classificar diferentes espécies de plantas com base em suas características morfológicas.

Ferramentas: Python, Scikit-learn, Pandas, matplotlib

Descrição: Utilize um conjunto de dados de plantas que contenha informações como comprimento e largura das folhas. Treine um modelo de classificação para identificar a espécie da planta com base nessas características.

Tarefas a serem executadas nesse projeto:

• Carregamento dos dados
• Análise exploratória dos dados
• Pré-processamento dos dados (tratamento de valores ausentes, codificação de variáveis categóricas)
• Gráfico de espalhamento (scatter plot)
• Divisão dos dados em conjuntos de treinamento e teste
• Treinamento do modelo de classificação (Regressão logística, SVM, Random Forest)
• Ajuste de hiperparâmetros (Grid Search)
• Avaliação do modelo usando métricas como acurácia e matriz de confusão
• Salve o modelo treinado em um diretório específico

4) Classificação de digitos manuscritos

Objetivo: Reconhecer dígitos manuscritos a partir de imagens.

Ferramentas: Python, TensorFlow/Keras, NumPy

Descrição: Use o conjunto de dados MNIST, que contém imagens de dígitos manuscritos. Treine uma rede neural simples para classificar as imagens em dígitos de 0 a 9.

Tarefas a serem executadas nesse projeto:

• Carregamento dos dados
• Análise exploratória dos dados
• Pré-processamento dos dados (tratamento de valores ausentes, codificação de variáveis categóricas)
• Gráfico de espalhamento (scatter plot)
• Divisão dos dados em conjuntos de treinamento e teste
• Treinamento do modelo de classificação (Redes neurais artificiais)
• Avaliação do modelo (F1, precisão, revocação, matriz de confusão)
• Salve o modelo treinado em um diretório específico

5) Segmentação de imagens

Segmentação de imagens é a tarefa de dividir uma imagem em várias partes ou segmentos, geralmente para identificar e isolar objetos ou regiões específicas dentro da imagem. Objetivo: Segmentar diferentes objetos em uma imagem usando um algoritmo de agrupamento.

Ferramentas: Python, matplotlib, sklearn

Descrição: Utilize a imagem da ladybug para treinar uma modelo de agrupamento usando o algoritmo Kmeans.

Tarefas a serem executadas nesse projeto:

• Carregamento da imagem
• Visualize a imagem original
• Verifique a dimensão da imagem
• Redimensione a imagem (matriz para vetor)
• Treinamento do modelo de agrupamento (Kmeans)
• Varie o número de clusters utilizados no treinamento (10, 8, 6, 4, 2)

Considerações finais

Esses projetos são ótimos pontos de partida para quem está começando em Machine Learning. Eles cobrem conceitos fundamentais como regressão, classificação e segmentação de imagens, além de fornecer experiência prática com bibliotecas populares como Scikit-learn, Pandas e TensorFlow/Keras. À medida que você avança, pode explorar projetos mais complexos e conjuntos de dados maiores para continuar aprimorando suas habilidades em Machine Learning. Uma dica extra é sempre documentar seu código e compartilhar seus projetos no GitHub para construir um portfólio que possa ser útil em futuras oportunidades profissionais.

Referências

• Base de dados
• Documentação do Scikit-learn
• Documentação do Pandas
• Documentação do Matplotlib
• Documentação do OpenCV
• Hands on machine learning
• 2025, Géron. Mãos à Obra: Aprendizado de Máquina com Scikit-Learn, Keras & TensorFlow - 3ª Edição: Conceitos, Ferramentas e Técnicas Para a Construção de Sistemas Inteligentes