📘 Machine Learning Explainability — Kaggle

Estudo, Notebooks e Companion Book

Este repositório contém todo o material de estudo, prática e documentação produzidos durante o curso Kaggle Machine Learning Explainability.
O objetivo é entender profundamente como interpretar modelos de Machine Learning, indo além da simples construção de modelos.

Aqui você encontrará:

• 📚 Companion Book — explicações teóricas aprofundadas
• 🧪 Notebooks práticos — exercícios e experimentos
• 🧠 Processo de estudo estruturado
• 🏗️ Ambiente organizado para ML interpretável
• 📂 Material de portfólio

🧭 1. Objetivo do Repositório

Este repositório documenta:

• o estudo completo do curso Kaggle Machine Learning Explainability
• o Companion Book criado durante o processo
• os notebooks com experimentos e análises
• a estrutura de projeto para ML interpretável
• o raciocínio por trás das técnicas de explicabilidade

O foco é entender modelos, não apenas treiná-los.

📚 2. Companion Book

O livro “Machine Learning Explainability — Guia Prático e Comentado” acompanha o curso e explica:

• Casos de uso para interpretabilidade
• Permutation Importance
• Partial Dependence Plots (PDPs)
• SHAP Values
• Interpretação avançada com SHAP
• Boas práticas e erros comuns

O conteúdo está em:

docs/machineLearningExplainability_book.md

🧪 3. Notebooks do Curso

Os notebooks seguem a sequência prática do Kaggle, adaptados para estudo aprofundado:

notebooks/

• 01_use_cases_for_model_insights.ipynb
• 02_permutation_importance.ipynb
• 03_partial_dependence_plots_PDPs.ipynb
• 04_SHAP_values.ipynb
• 05_advanced_uses_SHAP_values.ipynb
• notebooks_model.md

Cada notebook contém:

• execução prática
• visualizações
• análises interpretáveis
• experimentos adicionais
• integração com o Companion Book

🏗️ 4. Estrutura do Projeto

explainability-ml/
│
├── README.md
├── config.py
├── requirements.txt
│
├── data/
│   ├── raw/          # dados originais
│   └── processed/    # dados transformados
│
├── docs/
│   └── machineLearningExplainability_book.md
│
├── notebooks/
│   ├── 01_use_cases_for_model_insights.ipynb
│   ├── 02_permutation_importance.ipynb
│   ├── 03_partial_dependence_plots_PDPs.ipynb
│   ├── 04_SHAP_values.ipynb
│   ├── 05_advanced_uses_SHAP_values.ipynb
│   └── notebooks_model.md
│
└── scripts/
    └── write_version.py

🧠 5. Processo de Estudo

O estudo segue um fluxo consistente:

1. Ler o capítulo correspondente do Companion Book
2. Executar o notebook do Kaggle
3. Reproduzir os experimentos
4. Criar análises adicionais
5. Documentar aprendizados no livro
6. Atualizar o repositório com commits claros

Esse processo garante:

• profundidade teórica
• prática sólida
• documentação contínua
• evolução profissional

🧩 6. Tecnologias Utilizadas

• Python
• Pandas
• Scikit-Learn
• SHAP
• Matplotlib / Seaborn
• Jupyter Notebook

🧪 7. Como Reproduzir o Ambiente

pip install -r requirements.txt
jupyter notebook

🚀 8. Próximos Passos

• Expandir o Companion Book
• Criar visualizações avançadas com SHAP
• Adicionar estudos de caso reais
• Consolidar insights para portfólio

🤝 9. Autor

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