🧠 Data Science Studies

📝 This README is available in English and Portuguese. 📌 Click here to read in Portuguese.

---

📚 Focus Areas

This repository documents my Data Science journey, with emphasis on:

• 🧼 Robust data cleaning and preprocessing
• 📊 Exploratory analysis and statistical validation (hypothesis tests)
• 🤖 Supervised machine learning with critical thinking
• 🧠 Learning from mistakes and validation procedures
• 🚀 End-to-End pipelines (ETL → Modeling → Deploy)

---

⚡ Project Highlights (Click on the title of the project to be redirected to more detailed description)

⚽ Project 01: Fut-IA - End-to-End Football Predictor (Click here for details)

📌 Full-stack Data Science: API Ingestion, Random Forest & Web App Deploy. A complete production pipeline that predicts Copa do Brasil match outcomes. It automates data fetching from APIs, calculates rolling averages for team form, and serves predictions via an interactive Streamlit dashboard.
🔗 Repository → JonasMelo21/futebol-preditor

---

✅ Project 02: Student Performance Classification (Click here for details)

📌 Supervised classification with critical label correction and safe SMOTE application. I manually corrected mislabeled target values (present in the original Kaggle dataset), applied SMOTE only after the data split, and built solid pipelines that achieved 96% accuracy and macro F1-score.
🔗 Notebook → projeto1.ipynb

---

🚨 Project 03: Churn Prediction with Statistical Testing + MLP (Click here for details)

📌 Combination of inferential statistics and neural networks. I applied hypothesis tests (Chi-square, Mann-Whitney, Kruskal-Wallis) before modeling to validate business assumptions and improve interpretability.
🔗 Notebook → projeto2.ipynb

---

🏙️ Project 04: Rent Price Prediction with Regression & Classification (Click here for details)

📌 Linear regression and interpretable classification based on real-world housing features. Achieved R² of 0.82 and classified listings as "cheap or expensive" with 84% accuracy, using real estate attributes like size, rooms, garage, and distance from city center.
🔗 Notebook → projeto3.ipynb

---

📁 Detailed Projects

⚽ Project 01: Fut-IA - End-to-End Football Predictor

🔗 Repository → JonasMelo21/futebol-preditor

A production-ready Machine Learning application that predicts football match results based on team form (Rolling Averages).

⚙️ Architecture & Tech Stack:

• ETL: Automated ingestion from RapidAPI (API-Football) using Python.
• Feature Engineering: Calculated rolling averages (last 5 games) for Goals, Possession, and Shots on Target.
• Modeling: Random Forest Classifier trained on historical data.
• Deploy: Interactive web application built with Streamlit and hosted on Streamlit Cloud.

📊 Features:

• Real-time probability calculation for Home Win, Draw, or Away Win.
• Interactive Radar Charts (Plotly) comparing team statistics.
• CI/CD pipeline integrated with GitHub.

---

🧪 Project 02: Student Performance Classification

🔗 Notebook → projeto1.ipynb

Supervised classification task using educational data (age, race, GPA, etc.), with a strong focus on data cleaning and class balance.

🌟 Key Points:

• Fixed target labeling issues in the GradeClass column
• Applied SMOTE after train-test split to avoid data leakage
• Built a clean and interpretable pipeline

📊 Results:

• Accuracy: 96%
• Macro F1-score: 0.96
• High generalization even under imbalance

---

🧠 Project 03: Churn Prediction with EDA, Statistical Tests & Neural Networks

🔗 Notebook → projeto2.ipynb

Used statistical inference and MLPs to predict customer churn while ensuring explainability.

🔬 Statistical Tests:

• Chi-square → 📌 Gender influences churn
• Mann-Whitney → 📌 Salary has no significant impact
• Kruskal-Wallis → 📌 Product count is related to churn

🤖 Modeling:

• MLP with ReLU hidden layers and Sigmoid output
• Adam optimizer, Binary Crossentropy loss
• SMOTE balancing and normalized features

📈 Results:

• Accuracy: 82%
• F1-score: 59%
• Recall: 67%
• Precision: 54%

💡 Insights:

• Age > 40 doubles churn risk
• German clients churn more
• Inactive users with high balances are more likely to leave

---

🏠 Project 04: Rent Price Prediction with Regression & Classification

🔗 Notebook → projeto3.ipynb

Estimated apartment rental prices and built a binary classifier for "cheap vs expensive".

🔍 Key Insights from EDA:

• Apartment size has a strong positive impact
• Distance from downtown has negative impact
• Coefficients are easy to interpret and useful

📉 Regression Results:

• MAE: R$158.61
• R²: 0.82
• Coefficients:
  • +R$24.03/m²
  • +R$123.95/room
  • +R$101.11/bathroom
  • +R$196.86 for garage
  • –R$51.10/km from city center

📊 Classification Results:

• Accuracy: 84%
• Precision: 87%
• Recall: 83%
• ⚠️ 18 false negatives → Expensive rentals classified as cheap

🚧 Next Steps:

• Feature engineering
• Outlier handling
• Try advanced models (Random Forest, SVM, Gradient Boosting)

---

🇧🇷 Estudos em Ciência de Dados

📌 Clique aqui para voltar ao topo em inglês.

---

📚 Áreas de Foco

Este repositório documenta meus estudos em Ciência de Dados, com foco em:

• 🧼 Limpeza e pré-processamento robusto
• 📊 Análise exploratória e validação estatística (testes de hipótese)
• 🤖 Modelagem supervisionada com raciocínio crítico
• 🧠 Aprendizado com validações e erros
• 🚀 Pipelines End-to-End (ETL → Modelagem → Deploy)

---

⚡ Visão Geral dos Projetos (Clique no título para ver mais detalhes)

⚽ Projeto 01: Fut-IA - Preditor de Futebol End-to-End (Clique aqui)

📌 Data Science Full-stack: Ingestão de API, Random Forest e Web App. Um pipeline de produção completo que prevê resultados da Copa do Brasil. Automatiza a busca de dados via API, calcula médias móveis para "forma" do time e serve previsões via dashboard interativo no Streamlit.
🔗 Repositório → JonasMelo21/futebol-preditor

---

✅ Projeto 02: Classificação da Performance de Estudantes (Clique aqui)

📌 Classificação supervisionada com correção crítica de rótulos e SMOTE aplicado de forma segura. Corrigi manualmente os rótulos da variável alvo (que estavam errados no Kaggle), apliquei SMOTE após o split e construí pipelines limpas que resultaram em 96% de acurácia e F1-score macro.
🔗 Notebook → projeto1.ipynb

---

🚨 Projeto 03: Previsão de Churn com Testes Estatísticos e MLP (Clique aqui)

📌 Integração de testes estatísticos com rede neural supervisionada. Utilizei testes como Qui-quadrado, Mann-Whitney e Kruskal-Wallis antes de treinar uma MLP, garantindo decisões interpretáveis e validadas.
🔗 Notebook → projeto2.ipynb

---

🏙️ Projeto 04: Previsão de Preço de Aluguel com Regressão e Classificação (Clique aqui)

📌 Regressão linear e classificação interpretável baseada em variáveis reais de imóveis. Obtive R² de 0.82 e classifiquei os imóveis como “caros ou baratos” com 84% de acurácia, com base em características como metragem, quartos, garagem e distância do centro.
🔗 Notebook → projeto3.ipynb

---

📁 Projetos Detalhados

⚽ Projeto 01: Fut-IA - Preditor de Futebol End-to-End

🔗 Repositório → JonasMelo21/futebol-preditor

Uma aplicação de Machine Learning pronta para produção que prevê resultados de jogos com base na forma recente (Médias Móveis).

⚙️ Arquitetura e Stack:

• ETL: Ingestão automatizada da RapidAPI (API-Football) usando Python.
• Engenharia de Features: Cálculo de médias móveis (últimos 5 jogos) para Gols, Posse e Chutes ao Gol.
• Modelagem: Random Forest Classifier treinado com dados históricos.
• Deploy: Aplicação web interativa construída com Streamlit e hospedada na nuvem.

📊 Funcionalidades:

• Cálculo de probabilidade em tempo real (Vitória Casa, Empate, Vitória Visitante).
• Gráficos de Radar (Plotly) interativos comparando estatísticas.
• Pipeline de CI/CD integrado ao GitHub.

---

🧪 Projeto 02: Classificação da Performance de Estudantes

🔗 Notebook → projeto1.ipynb

Classificação baseada em dados educacionais (idade, etnia, faltas, etc.), com foco em decisões bem fundamentadas desde o pré-processamento.

🌟 Destaques:

• Corrigi um erro do dataset original na coluna GradeClass, que atribuía os alunos a classes incorretas com base em seu GPA.
• Usei SMOTE com segurança, após o split, evitando vazamento
• Construi pipeline robusto e interpretável

📊 Resultados:

• Acurácia: 96%
• F1-score (macro): 0.96
• Estabilidade mesmo com dados desbalanceados

---

🧠 Projeto 03: Previsão de Churn com EDA, Testes Estatísticos e Rede Neural

🔗 Notebook → projeto2.ipynb

Predição de churn usando inferência estatística e MLP com foco em confiabilidade e explicabilidade.

🔬 Testes aplicados:

• Qui-quadrado → 📌 Gênero influencia no churn
• Mann-Whitney → 📌 Salário não tem impacto significativo
• Kruskal-Wallis → 📌 Número de produtos tem relação com churn

🤖 Modelagem:

• MLP com ReLU e saída Sigmoid
• Otimizador Adam, Binary Crossentropy
• SMOTE + normalização dos dados

📈 Resultados:

• Acurácia: 82%
• F1-score: 59%
• Recall: 67%
• Precisão: 54%

💡 Insights práticos:

• Idade > 40 dobra o risco de churn
• Clientes da Alemanha saem mais
• Clientes inativos com saldo alto têm maior chance de sair

---

🏠 Projeto 04: Previsão de Aluguel com Regressão Linear e Classificação

🔗 Notebook → projeto3.ipynb

Estimativa do preço do aluguel e classificação de imóveis como caros ou baratos.

🔍 Descobertas da EDA:

• Área do imóvel impacta positivamente
• Distância do centro impacta negativamente
• Coeficientes intuitivos e úteis

📉 Resultados da Regressão:

• MAE: R$158,61
• R²: 0.82
• Coeficientes:
  • +R$24,03/m²
  • +R$123,95/quarto
  • +R$101,11/banheiro
  • +R$196,86 com garagem
  • –R$51,10/km do centro

📊 Resultados da Classificação:

• Acurácia: 84%
• Precisão: 87%
• Recall: 83%
• ⚠️ 18 falsos negativos → imóveis caros classificados como baratos

🚧 Melhorias futuras:

• Engenharia de atributos
• Tratamento de outliers
• Testar modelos robustos (Random Forest, SVM, Gradient Boosting)

---

📌 Novos projetos em breve, com foco em desafios reais, rigor estatístico e alto valor analítico.