ec-ingredion-3

Este projeto faz parte do curso de Inteligência Artificial oferecido pela FIAP - Online 2024. Este repositório reúne os materiais relacionados ao Enterprise Challenge - Ingredion, correspondendo à Sprint 3 do desafio.

• Notebook para Machine Learning: Jupyter Notebook
• Notebook de Análise Exploratória de Dados: Jupyter Notebook
• Relatório Técnico: Documento PDF

Descrição

Este repositório contém o código-fonte e a documentação da SPRINT 3 do Challenge Ingredion, focada na validação de um modelo de Inteligência Artificial (IA) para previsão de produtividade agrícola. O objetivo principal é correlacionar as previsões de produtividade do modelo com dados reais históricos, avaliando sua confiabilidade e precisão.

Estrutura de Arquivos

O repositório está organizado da seguinte forma:

├── data                  # Arquivos de entrada e saída usados no processo
│   ├── PROCESSED           # Dados pré-processados para os modelos
│   │   ├── manhuacu.csv  # Produção histórica (1974-2023) + NDVI anual médio
│   │   └── ndvi.csv      # Série temporal NDVI (2000-2023) com colunas cíclicas
│   ├── GOOGLE_EARTH_ENGINE # Dados NDVI extraídos do Google Earth Engine
│   │   └── ndvi_manhuacu.csv # Série NDVI (2000–2025): Google Earth Engine
│   └── SIDRA               # Dados de produção do IBGE
│       └── tabela1613.xlsx # Dados de produção (1974–2023): IBGE/Tabela 1613
├── models                # Arquivos de pesos dos modelos treinados
│   ├── lstm.pth        # Pesos do modelo LSTM
│   └── mlp.pth         # Pesos do modelo MLP
├── README.md             # Este README
├── report.pdf            # Relatório técnico
├── requirements.txt      # Lista de dependências do projeto
├── scripts               # Notebooks para extração e preparação dos dados
│   └── extract-analysis-data.ipynb           # Preparação e integração dos dados para análise
│   └── extract-ndvi-manhuacu.ipynb # Extração NDVI de Manhuaçu, MG (Google Earth Engine)
├── notebooks                   # Código fonte dos modelos e análise exploratória
│   └── eda.ipynb       # Análise Exploratória (EDA) e estatísticas
│   └── ml.ipynb        # Implementação e treinamento dos modelos de IA
└── TODO.md               # Gestão do projeto e tarefas pendentes

Instruções para Execução

Para executar os notebooks, siga as instruções abaixo:

Clone o Repositório

git clone https://github.com/luisfuturist/ec-ingredion-3.git
cd ec-ingredion-3

Preparação do Ambiente

Instalar o Python

1. Baixe e instale a versão mais recente do Python (recomendado 3.7 ou superior) no site oficial do Python.
2. Durante a instalação, certifique-se de marcar a opção "Add Python to PATH".
3. Verifique as versões do Python e do pip
   Certifique-se de que o Python e o pip foram instalados corretamente executando:

   python --version
   pip --version

Criar um Ambiente Virtual (Opcional, mas Recomendado)

Usar um ambiente virtual isola as dependências do projeto.

1. Abra um terminal ou prompt de comando.
2. Navegue até a pasta do projeto.
3. Execute o seguinte comando para criar um ambiente virtual:

   python -m venv venv

4. Ative o ambiente virtual:
   • No Windows:

     venv\Scripts\activate

   • No macOS/Linux:

     source venv/bin/activate

Instalar as Bibliotecas Necessárias

1. Instale o pip e o setuptools (se ainda não estiverem instalados)
   Atualize o pip e o setuptools para a versão mais recente:

   pip install --upgrade pip setuptools

2. Instale as Bibliotecas
   Use o pip para instalar as bibliotecas necessárias. Execute o comando:

   pip install -r requirements.txt

   Mais detalhes sobre instalação do PyTorch: https://pytorch.org/get-started/locally/

Observações

Observações:

• É necessário ter uma conta no Google Earth Engine para executar os scripts de extração dos dados NDVI.
• Os dados brutos do IBGE (arquivos Excel) já estão incluídos no repositório, mas podem ser atualizados baixando os dados mais recentes diretamente do site do IBGE.

Equipe

Membros (Grupo 25)

• Amandha Nery (RM560030)
• Bruno Conterato (RM561048)
• Gustavo Castro (RM560831)
• Kild Fernandes (RM560615)
• Luis Emidio (RM559976)

Professores

• Tutor: Leonardo Ruiz Orabona
• Coordenador: André Godoi

Tecnologias Utilizadas

Categoria	Ferramentas
Linguagem	Python 3.9+
Manipulação de Dados	Pandas, NumPy
Visualização	Matplotlib
Aprendizado Profundo	PyTorch
Pré-processamento	Scikit-learn (StandardScaler)
Ambiente	Jupyter Notebook, CUDA (GPU)

Contato

Se tiver alguma dúvida, sinta-se à vontade para entrar em contato.