Seja bem vindo!
Como rodar o projeto:
-
Clone o projeto via terminal: git clone git@github.com:brenomatias/Lighthouse-data-scientist-challenge.git
-
Abrir o compilador entrar na pasta do repositório cd
-
Instalar dependencias do projeto: pip install -r requirements.txt
-
Executar modelo: python3 code/model.py
Observação 1: No GitHub, um arquivo de formato '.ipynb' do Jupyter Notebook será renderizado estaticamente, e alguns gráficos podem não ser reproduzidos. Para uma visualização completa e dinâmica do EDA online, favor acessar o link abaixo (via nbviewer):
Observação 2: As principais estatísticas descritivas e suas justificativas estão no relatório EDA aqui presente. O porquê da escolha dessas estatísticas estão em um breve comentário em cada gráfico individualmente.
Observação 3: As respostas do quesito 2 (sobre a modelagem) estão no arquivo model-answers.doc.
Observação 4: O arquivo 'predicted.csv' foi gerado a partir da execução do modelo ('python code/model.py'). Para garantir o funcionamento do código em uma nova máquina, ao executar o código, um novo arquivo chamado 'predicted_2.csv' será criado. Ele será examente igual ao relatório final 'predicted.csv'.
https://www.relataly.com/predictive-maintenance-predicting-machine-failure-with-python/10618/
https://square.github.io/pysurvival/tutorials/maintenance.html
https://rjunaidraza.medium.com/predictive-maintenance-using-machine-learning-lstm-python-373396c6bb82