Análise de Dados e Detecção de Fraudes em Transações Financeiras

Este repositório contém uma série de estudos em Jupyter Notebook que exploram um dataset de transações de cartão de crédito. O principal objetivo é aplicar técnicas de análise de dados, visualização e Machine Learning para identificar padrões e criar um modelo capaz de detectar transações fraudulentas.

📊 O Dataset

O arquivo creditcard.csv é um dataset que contém transações financeiras. A maioria das colunas (V1 a V28) são componentes principais obtidos com PCA para proteger a privacidade dos dados. As colunas mais importantes para a análise são:

• Time: O tempo decorrido entre cada transação.
• Amount: O valor da transação financeira.
• Class: A variável alvo, onde 1 representa uma fraude e 0 uma transação normal.

📓 Conteúdo dos Notebooks

O estudo foi dividido nos seguintes notebooks, seguindo um fluxo de trabalho de Data Science:

• aula_1.ipynb:

  • Importação das bibliotecas essenciais (pandas, matplotlib, seaborn).
  • Carga inicial do dataset creditcard.csv.
  • Análise exploratória básica para entender a estrutura dos dados.

• aula_2.ipynb:

  • Foco em visualização de dados.
  • Criação de histogramas para analisar a distribuição de variáveis.
  • Geração de um heatmap para visualizar a matriz de correlação entre as features.

• aula_3.ipynb:

  • Pré-processamento e balanceamento de dados.
  • Aplicação do StandardScaler na coluna Amount para normalização.
  • Uso da técnica SMOTE (imbalanced-learn) para lidar com o desbalanceamento de classes, criando dados sintéticos para a classe minoritária (fraudes).
  • Treinamento de um modelo de Regressão Logística e avaliação dos resultados com classification_report.

• aula_4.ipynb:

  • Exploração de modelos de regressão para análise de dados (notebook de estudos iniciais).

🚀 Tecnologias Utilizadas

• Python
• Pandas: Para manipulação e análise dos dados.
• Matplotlib & Seaborn: Para a criação das visualizações.
• Scikit-learn: Para pré-processamento, divisão de dados e implementação do modelo de Machine Learning.
• Imbalanced-learn: Para a aplicação da técnica de oversampling SMOTE.
• Jupyter Notebook: Como ambiente de desenvolvimento interativo.

💻 Como Executar

1. Clone este repositório:

   git clone [https://github.com/amisterdan7/Python_IA.git](https://github.com/amisterdan7/Python_IA.git)

2. Instale as dependências necessárias (recomenda-se criar um ambiente virtual):

   pip install pandas matplotlib seaborn scikit-learn imbalanced-learn jupyter

3. Navegue até a pasta do projeto e inicie o Jupyter Notebook:

   jupyter notebook
   visual studio code

4. Abra os arquivos .ipynb para visualizar e executar as análises.