Metadata-Version: 2.1
Name: prodclass
Version: 0.1.5
Summary: Uma biblioteca Python para auxiliar na vetorização e categorização de descrições de produto.  Possui benchmarks argmax e machine learning embutidos.
Home-page: https://github.com/GHDaru/prodclass/tree/master
Author: Gilsiley Henrique Darú
Author-email: ghdaru@gmail.com
Classifier: Programming Language :: Python :: 3
Classifier: License :: OSI Approved :: MIT License
Classifier: Operating System :: OS Independent
Requires-Python: >=3.6
Description-Content-Type: text/markdown
License-File: LICENSE
Requires-Dist: pandas>=1.2
Requires-Dist: numpy>=1.19
Requires-Dist: scikit-learn>=0.24
Requires-Dist: matplotlib>=3.3
Requires-Dist: seaborn>=0.11
Requires-Dist: statsmodels>=0.12

# Meu Projeto de Modelo

Descrição do projeto: Este projeto visa desenvolver, testar e implantar modelos de machine learning para classificação de descrições de produtos. Utiliza técnicas avançadas de vetorização de texto e algoritmos de classificação para prever categorias de produtos baseadas em suas descrições.

## Estrutura do Projeto

O projeto está organizado da seguinte forma:

- `data/`: Contém os datasets usados pelo modelo, incluindo dados brutos (`raw/`) e dados processados (`processed/`).
- `notebooks/`: Jupyter notebooks para exploração de dados, análises preliminares e prototipagem de modelos.
- `src/`: Código-fonte do projeto, incluindo scripts de manipulação de banco de dados, gestão de experimentos, modelos de machine learning e funções utilitárias.
- `tests/`: Testes automatizados para garantir a qualidade e a confiabilidade do código.
- `requirements.txt`: Lista de dependências necessárias para executar o projeto.
- `README.md`: Este arquivo, contendo a documentação do projeto.

### Como usar

1. **Instalação das Dependências**

   Para instalar as dependências necessárias, execute:

   pip install -r requirements.txt


2. **Preparação dos Dados**

Coloque seus dados brutos em `data/raw/` e processe-os conforme necessário. O resultado deve ser salvo em `data/processed/` para uso posterior pelo modelo.

3. **Exploração de Dados e Prototipagem**

Use os notebooks em `notebooks/` para explorar os dados e criar protótipos de modelos.

4. **Execução do Modelo**

O código-fonte para treinar e avaliar modelos está localizado em `src/`. Veja os scripts específicos para instruções detalhadas sobre como executar cada modelo.

5. **Testes**

Execute os testes em `tests/` para garantir que as alterações no código não quebrem funcionalidades existentes.

### Contribuindo

Sinta-se livre para contribuir com o projeto. Por favor, envie um pull request ou abra uma issue para discutir o que você gostaria de mudar.

### Licença

[Inserir tipo de licença aqui] - Veja o arquivo LICENSE para mais detalhes.



