AI Introduction Project

Este é um projeto de introdução à Inteligência Artificial usando Python e Jupyter Notebook, focado em aprendizado de máquina e análise de dados.

Estrutura do Projeto

.
├── ai-creating/
│   ├── ai-model.ipynb      # Notebook com modelo de previsão de preços de casas
│   └── requirements.txt    # Dependências do notebook
├── ai-applying/            # Diretório para aplicações práticas de IA
│   └── gptAPI.py           # Exemplo de uso da API do GPT
├── app.py                  # API Flask para o projeto
├── api-tests.http          # Testes de API usando REST Client
├── requirements.txt        # Dependências do projeto completo
├── LICENSE                 # Licença do projeto
└── README.md               # Este arquivo

Sobre o Projeto

O projeto contém implementações práticas de IA, incluindo:

• Modelo de regressão linear para previsão de preços de casas na Califórnia
• Utilização do dataset California Housing do scikit-learn
• Pré-processamento de dados com StandardScaler
• Avaliação de modelo usando train-test split
• API REST para acesso às funcionalidades de IA
• Integração com a API do OpenAI GPT

Requisitos

• Python 3.13.2
• Jupyter Notebook
• Principais dependências:
  • flask
  • pandas
  • scikit-learn
  • numpy
  • openai

Instalação

1. Clone o repositório:

git clone https://github.com/Natanaelvich/ai-for-devs_introduction.git
cd ai-for-devs_introduction

2. Crie um ambiente virtual (recomendado):

python -m venv .venv
source .venv/bin/activate  # No Linux/Mac
# ou
.venv\Scripts\activate  # No Windows

3. Instale as dependências:

pip install -r requirements.txt

4. Configure as variáveis de ambiente: Crie um arquivo .env na raiz do projeto com:

OPENAI_API_KEY=sua_chave_api_openai

Uso

Jupyter Notebook

1. Ative o ambiente virtual (se estiver usando)
2. Navegue até o diretório do projeto
3. Inicie o Jupyter Notebook:

jupyter notebook

4. Abra o notebook desejado:
   • ai-creating/ai-model.ipynb para o modelo de previsão de preços de casas

API REST

1. Ative o ambiente virtual
2. Inicie o servidor Flask:

python app.py

3. O servidor estará disponível em http://localhost:5000

API Endpoints

Health Check

GET /api/health

Verifica o status da API e se o modelo está carregado.

Treinar Modelo

POST /api/train
Content-Type: application/json

Treina o modelo de previsão de preços de casas usando o dataset California Housing.

Prever Preço

POST /api/predict
Content-Type: application/json

{
    "MedInc": 8.3252,
    "HouseAge": 41.0,
    "AveRooms": 6.984127,
    "AveBedrms": 1.023810,
    "Population": 322.0,
    "AveOccup": 2.555556,
    "Latitude": 37.88,
    "Longitude": -122.23
}

Faz uma previsão de preço de casa com base nos parâmetros fornecidos.

Consultar GPT

POST /api/gpt
Content-Type: application/json

{
    "prompt": "Sua pergunta aqui",
    "system": "Instrução para o sistema (opcional)",
    "model": "Nome do modelo (opcional, padrão: gpt-4o-mini)"
}

Envia uma consulta para a API do OpenAI GPT e retorna a resposta.

Testes da API

O projeto inclui um arquivo api-tests.http que pode ser usado com a extensão REST Client do VS Code para testar todos os endpoints da API.

Licença

Este projeto está licenciado sob a Licença MIT - veja o arquivo LICENSE para detalhes.