Projeto de Dados e Aprendizagem Automática | Universidade do Minho
Este projeto foi desenvolvido no âmbito da Unidade Curricular de Dados e Aprendizagem Automática (2025/2026) da Universidade do Minho. O objetivo foi desenvolver modelos de Machine Learning para prever o fluxo de tráfego no Porto, seguindo a metodologia CRISP-DM.
- Classificação: 18,2 valores.
- Competição Kaggle: 4º Lugar (entre 57 equipas).
- Competição: Competição ML @DAA - Edição 2025/2026
O nosso modelo final destacou-se pela consistência entre a validação local e o teste público/privado:
| Métrica | Score |
|---|---|
| Validação Local | 82.0% |
| Kaggle Public Score | 83.5% |
| Kaggle Private Score | 81.3% |
📄 Relatório Completo: Ver PDF do Relatório (Recomendamos a leitura para detalhes sobre a análise exploratória e decisões de modelação)
- Luís Silva (PG60390)
- Guilherme Pinto (PG60225)
- Pedro Reis (PG59908)
- João Azevedo (PG61693)
report.pdf: Relatório técnico detalhado.code.ipynb: Notebook com o modelo final e pipeline de submissão.dev/: Histórico de desenvolvimento (EDA, testes com SVM, XGBoost, etc.).datasets/: Dados utilizados no treino e teste.images/: Gráficos gerados durante a análise.
Para reproduzir os resultados apresentados no relatório, recomenda-se a criação de um ambiente virtual através do ficheiro env.yml fornecido.
- Git instalado.
- Anaconda ou Miniconda instalado.
- Clonar o repositório:
git clone [https://github.com/GuilhermeLobo225/DAA.git](https://github.com/GuilhermeLobo225/DAA.git) cd DAA - Criar o ambiente virtual:
conda env create -f env.yml
- Ativar o ambiente:
conda activate daa-env
- Gerar Resultados: Execute o notebook code.ipynb. O ficheiro submission.csv será gerado automaticamente.
Este trabalho é de cariz estritamente académico. Universidade do Minho, Escola de Engenharia, Departamento de Informática.