Neste post, vamos desmistificar o mundo do machine learning e mostrar como criar um projeto prático e funcional, prevendo o preço da pizza com base no seu diâmetro, utilizando Python. Abordaremos desde a configuração do ambiente de desenvolvimento até a construção de uma interface web interativa com Streamlit, tudo em uma única aula! Este projeto, embora simples, demonstra os fundamentos do aprendizado de máquina e oferece uma base sólida para projetos mais complexos.
Primeiramente, configuraremos nosso ambiente utilizando o Poetry para gerenciar dependências e o ambiente virtual. Instalaremos bibliotecas essenciais como Pandas, Scikit-learn, Streamlit e Matplotlib. O Poetry simplifica a gestão de pacotes e ambientes virtuais, garantindo um fluxo de trabalho eficiente. Em seguida, utilizaremos um arquivo CSV contendo dados de diâmetro e preço de pizzas para treinar nosso modelo. Com o Pandas, carregaremos esses dados e, com o Matplotlib, criaremos um gráfico de dispersão (scatter plot) para visualizar a correlação entre diâmetro e preço. A correlação positiva observada no gráfico nos indica que o preço tende a aumentar com o diâmetro da pizza, um insight crucial para a próxima etapa.
Após a configuração do ambiente, criaremos um Jupyter Notebook para realizar testes e análises exploratórias. A escolha do Jupyter Notebook facilita a execução de código em blocos (células), permitindo uma visualização mais clara dos resultados. Nesse notebook, importaremos o Pandas para manipular os dados do CSV. Em seguida, plotar o gráfico de dispersão para visualizar a relação entre diâmetro e preço. Este gráfico nos ajudará a entender a correlação entre as variáveis e confirmar se um modelo de regressão linear é apropriado para este caso.
Com os dados carregados e a correlação confirmada, utilizaremos o Scikit-learn para criar e treinar nosso modelo de regressão linear. O Scikit-learn é uma biblioteca poderosa que oferece uma ampla gama de algoritmos de aprendizado de máquina. Com poucas linhas de código, instanciamos um modelo de regressão linear, treinamos-o com nossos dados de diâmetro e preço e o utilizamos para prever o preço de pizzas com diâmetros diferentes. A simplicidade do Python e do Scikit-learn torna o processo de treinamento do modelo extremamente acessível.
Finalmente, com o modelo treinado, criaremos uma interface web interativa com o Streamlit. O Streamlit permite a criação de aplicativos web com Python de forma rápida e intuitiva, sem a necessidade de conhecimentos em HTML, CSS ou JavaScript. Na interface, o usuário poderá inserir o diâmetro da pizza desejada e o aplicativo exibirá o preço previsto pelo modelo. Adicionaremos também elementos interativos, como um divisor visual e a exibição de balões para celebrar a previsão do preço, tornando a experiência mais agradável.
Com o Streamlit, construiremos um aplicativo web simples e intuitivo. Criaremos um campo de entrada numérica onde o usuário poderá digitar o diâmetro da pizza. Utilizaremos a função `st.number_input()` para isso. Em seguida, utilizaremos uma estrutura condicional (`if`) para verificar se o usuário inseriu um valor para o diâmetro. Caso positivo, o modelo treinado fará a previsão do preço e o resultado será exibido na tela com `st.write()`, formatado para duas casas decimais. A simplicidade do Streamlit nos permite criar interfaces web funcionais em minutos.
