📘 Kaggle Intermediate Machine Learning (Estudo + Companion Book)

Repositório oficial de estudos, notebooks e livro complementar do curso Kaggle Intermediate Machine Learning

Bem‑vindo ao repositório que documenta todo o processo de estudo, prática e produção teórica do curso Kaggle Intermediate Machine Learning.
Aqui você encontra:

• 📚 Companion Book — um livro completo explicando o raciocínio por trás do curso
• 🧪 Notebooks práticos — exercícios, experimentos e pipelines
• 🧠 Processo de estudo estruturado
• 🏗️ Padrão editorial para criação de novos livros
• 📂 Organização profissional de projeto de Machine Learning

Este repositório foi construído para ser portfólio, material de referência e base de estudos contínuos.

🧭 Objetivo do Repositório

Este repositório consolida:

• o aprendizado do curso Kaggle Intermediate ML
• o Companion Book criado durante o estudo
• os notebooks de prática
• a documentação teórica aprofundada
• o processo editorial para novos livros técnicos

O foco é entender profundamente o raciocínio do Kaggle, não apenas executar código.

📚 Companion Book — “Machine Learning Intermediário: Guia Prático e Comentado”

O livro acompanha o curso e explica:

• o porquê de cada decisão
• o raciocínio por trás das técnicas
• suposições implícitas do Kaggle
• comparações entre abordagens
• erros comuns e boas práticas
• glossários e checklists

Cada capítulo segue um padrão editorial profissional, incluindo:

• Introdução
• Revisão do fluxo anterior
• Problema central
• Conceito teórico
• Exemplos com código
• Comparações
• Erros comuns
• Boas práticas
• Mini‑casos reais
• Checklist
• Glossário
• Conclusão

O Companion Book está disponível em:

docs/intermediateMachineLearning_book.md

🧪 Notebooks do Estudo

Os notebooks seguem a sequência do curso:

notebooks/
  01_introduction.ipynb
  02_missing_values.ipynb
  03_categorical_variables.ipynb
  04_pipelines.ipynb
  05_cross_validation.ipynb
  06_xgboost.ipynb
  07_data_leakage.ipynb

Cada notebook contém:

• execução prática
• experimentos controlados
• comparação de abordagens
• validação com MAE
• integração com pipelines

🏗️ Estrutura do Projeto

ml/
└── kaggle/
    └── intermediate-ml/
        ├── data/
        │   ├── raw/          # dados originais (não versionados)
        │   └── processed/    # dados transformados
        ├── notebooks/        # prática e experimentos
        ├── models/           # modelos treinados
        ├── outputs/          # gráficos, métricas, artefatos
        ├── scripts/          # utilitários e funções auxiliares
        ├── docs/             # Companion Book e documentação
        ├── config.py         # configurações do projeto
        ├── requirements.txt  # dependências
        └── README.md         # este arquivo

🧠 Processo de Estudo

O estudo segue um fluxo estruturado:

1. Ler o capítulo do Companion Book
2. Executar o notebook correspondente
3. Comparar abordagens usando MAE
4. Documentar aprendizados no livro
5. Refinar o entendimento com novos experimentos
6. Atualizar o repositório com commits claros

Esse processo garante:

• profundidade teórica
• prática consistente
• documentação contínua
• evolução do conhecimento

✍️ Padrão Editorial para Novos Livros e Capítulos

Todo novo conteúdo técnico segue o PROMPT MESTRE, que define:

• estrutura obrigatória
• tom técnico e didático
• uso de código conceitual
• quadros de destaque
• diagramas simples
• glossário
• checklist
• conexão entre capítulos
• alinhamento com o curso original

Esse padrão garante consistência e qualidade profissional.

🧩 Tecnologias Utilizadas

• Python
• Pandas
• Scikit‑Learn
• XGBoost
• Jupyter Notebook
• Pipelines e ColumnTransformer
• RandomForestRegressor
• MAE (Mean Absolute Error)

🧪 Como Reproduzir o Ambiente

Instale as dependências:

pip install -r requirements.txt

Execute os notebooks:

jupyter notebook

🧵 Contribuição e Evolução

Este repositório é vivo.
A cada novo estudo, capítulo ou curso, novos conteúdos serão adicionados seguindo o padrão editorial.

🏁 Status Atual do Projeto

✔ Companion Book — capítulos 1 a 4 concluídos
✔ Notebooks — sequência completa criada
✔ Estrutura do projeto — organizada
✔ Padrão editorial — definido

🚀 Próximos Passos

• Criar capítulos 5, 6 e 7 do Companion Book
• Iniciar o próximo livro da trilha de Machine Learning
• Expandir o repositório com novos cursos Kaggle
• Criar materiais avançados (Feature Engineering, ML Avançado, etc.)

🤝 Autor

Moacir
Estudo contínuo em Machine Learning, Data Science e Engenharia de Dados.
Este repositório documenta sua jornada técnica e serve como portfólio profissional.