Skip to main content

Machine Learning Library

Biblioteca de algoritmos e ferramentas de Aprendizado de Máquina (Machine Learning), desenvolvida em Python como parte das atividades da disciplina de Aprendizado de Máquina, durante o período letivo 2.2 do Bacharelado em Matemática e Tecnologia da Inovação no IMPA Tech. O projeto reúne implementações de diferentes métodos e técnicas de aprendizado de máquina aprendidos durante o curso, organizados em módulos, buscando manter uma estrutura de fácil compreensão.

Autores: Marce Alves da Silva, Natan Gabriel Spohr, Pedro Paulo Gomes Paiva, Kenzo Nagamine, Lucas Caracas, Lucas da Silva Oliveira, Pedro Pereira Carvalho e Samuel Leite


Sobre o Projeto

Esta biblioteca foi desenvolvida com o objetivo de implementar e explorar, na prática, diferentes conceitos e algoritmos fundamentais de Aprendizado de Máquina. Como parte dos requisitos da atividade, todo o projeto foi implementado em Python, utilizando apenas a biblioteca externa NumPy como dependência para operações numéricas e computacionais.

Estrutura do Repositório

O repositório está organizado em três diretórios principais, cada um com uma finalidade específica:

.
├── Documentation/
├── src/
└── tests/

Documentation

Diretório destinado à documentação técnica da biblioteca. Cada módulo possui um documento próprio em formato Markdown, contendo descrições detalhadas de suas classes, métodos e funções. A documentação também apresenta exemplos de utilização para melhor compreensão de seu funcionamento sem a necessidade de consultar diretamente o código-fonte. Recomenda-se começar por este diretório para obter uma visão geral da biblioteca.

src

Diretório que contém o código-fonte da biblioteca e todas as implementações dos algoritmos e ferramentas desenvolvidos. O código está organizado em nove módulos principais, agrupados de acordo com suas respectivas áreas de aplicação em Aprendizado de Máquina:

1. Regression

Módulo dedicado aos algoritmos de regressão, voltados à modelagem de relações entre variáveis e à predição de valores contínuos.

2. Classification

Reúne os algoritmos de classificação KNN, LDA, QDA, Regressão Logística e SVM, responsáveis por atribuir observações a categorias ou classes predefinidas.

3. NeuralNetwork

Contém implementação de rede neural artificial, modelos computacionais inspirados em estruturas de processamento de informação por unidades interconectadas.

4. UnsupervisedLearning

Contém a implementação do método KMeans e do PCA, responsáveis por identificar padrões nos dados sem a necessidade de classes ou valores previamente atribuídos.

5. DecisionTree

Módulo dedicado a algoritmos baseados em árvores de decisão, tanto para regressão quanto para classificação, que utilizam estruturas de regras em hierarquia para realizar tarefas de predição e classificação.

6. Resampling

Reúne técnicas de reamostragem de dados, utilizadas em diferentes contextos de análise, treinamento e avaliação de modelos de aprendizado de máquina.

7. Metrics

Disponibiliza métricas para avaliação de desempenho de modelos, permitindo quantificar e comparar seus resultados de acordo com diferentes critérios.

8. Functions

Contém funções auxiliares e operações matemáticas utilizadas como suporte às implementações dos demais módulos da biblioteca, como sigmoide e arco tangente.

9. Preprocessing

Reúne ferramentas de pré-processamento de dados, destinadas à preparação e transformação dos conjuntos de dados antes de sua utilização pelos algoritmos.

tests

Diretório destinado aos testes automatizados da biblioteca, desenvolvidos utilizando o framework pytest.

Os testes verificam o comportamento de diferentes métodos e componentes por meio de verificações sistemáticas, permitindo identificar inconsistências e validar o funcionamento das implementações.

Além de auxiliar no desenvolvimento e na manutenção do projeto, essa estrutura oferece uma maneira prática de verificar a integridade da biblioteca como um todo.

Para executar os testes, utilize o comando:

pytest tests/

Instalação

A instalação da biblioteca pode ser realizada diretamente pelo gerenciador de pacotes pip, utilizando o seguinte comando:

pip install machinelearnig-mnpkllps

Metadata

Release files for machinelearning-mnpkllps 0.2.56

For a detailed explanation of source distributions (sdists) and built distributions (wheels), please see the package formats documentation.

Source distribution (sdist)

Source distribution for machinelearning-mnpkllps 0.2.56
File Size Uploaded Provenance Actions
machinelearning_mnpkllps-0.2.56.tar.gz 33.0 kB With provenance Details for machinelearning_mnpkllps-0.2.56.tar.gz

Built distribution (wheel)

Table of built distributions (wheels) for machinelearning-mnpkllps 0.2.56
File Interpreter ABI Platform Actions
machinelearning_mnpkllps-0.2.56-py3-none-any.whl Python 3 none any Details for machinelearning_mnpkllps-0.2.56-py3-none-any.whl

Total release size: 62.1 kB

Release files / machinelearning_mnpkllps-0.2.56.tar.gz

Download URL machinelearning_mnpkllps-0.2.56.tar.gz
Size 33.0 kB
Tags Source
SHA-256 checksum
How to use checksums
37cc31ae08fba49ffa2eb8ba463a015c81b0d6bc6aa3dc1f71e1377ad37fc4dd
BLAKE2b-256 checksum
How to use checksums
6c0f4589bca2b5abc24d2b3c9377d5c9ea8e72e1cd714990d42b6af4e95e48d5
Upload date
Uploaded using Trusted Publishing?
What is trusted publishing?
Yes
Uploaded via twine/7.0.0 CPython/3.13.16

Provenance

Provenance describes where a file came from. On PyPI, provenance is shared via attestations, which provide a verifiable record of the build or publishing details. View details, limitations and caveats.

PyPI Publish Attestation

PyPI verified that this artifact, at this checksum, originated from the publisher listed below.

Signed by GitHub Actions, verified by PyPI on Nov 10, 2026.

Transparency log

Release files / machinelearning_mnpkllps-0.2.56-py3-none-any.whl

Download URL machinelearning_mnpkllps-0.2.56-py3-none-any.whl
Size 29.2 kB
Tags Python 3
SHA-256 checksum
How to use checksums
36d196a73f35794dddcf101aa18626a527ecb7301cdd2e5db028007b042ede08
BLAKE2b-256 checksum
How to use checksums
67942e42c6c160bc20f4aa873a67ebbb90d966797492ffa2134d63124faeba7c
Upload date
Uploaded using Trusted Publishing?
What is trusted publishing?
Yes
Uploaded via twine/7.0.0 CPython/3.13.16

Provenance

Provenance describes where a file came from. On PyPI, provenance is shared via attestations, which provide a verifiable record of the build or publishing details. View details, limitations and caveats.

PyPI Publish Attestation

PyPI verified that this artifact, at this checksum, originated from the publisher listed below.

Signed by GitHub Actions, verified by PyPI on Nov 10, 2026.

Transparency log

Security for machinelearning-mnpkllps 0.2.56

Provenance

Provenance describes where a file came from. On PyPI, provenance is shared via attestations, which provide a verifiable record of the build or publishing details. View details, limitations and caveats.

Full provenance

Both files in this release have been uploaded with provenance metadata.

Select from 2 files

Attestation for machinelearning_mnpkllps-0.2.56.tar.gz

PyPI Publish Attestation

PyPI verified that this artifact, at this checksum, originated from the publisher listed below.

Signed by GitHub Actions, verified by PyPI on Nov 10, 2026.

Transparency log

A note on package security

PyPI is a repository for distributing packages, not a service for auditing them. While third-party security researchers and our staff do their best to detect and remove malicious packages, PyPI cannot guarantee the quality, security or suitability of any given package.

To learn more about protecting yourself from malicious actors, visit our package security documentation.

Release history Release notifications | RSS feed

This release

0.2.56 This release

2 release files Full provenance

Anthropic, PBC Visionary sponsor Bloomberg Visionary sponsor Hudson River Trading Visionary sponsor Meta Visionary sponsor NVIDIA Visionary sponsor Microsoft Sustainability sponsor Depot Continuous Integration AWS Cloud computing and Security Sponsor Datadog Monitoring Fastly CDN Google Download Analytics Sentry Error logging StatusPage Status page