🌍 O Futuro do Trabalho — Predição de Prosperidade Regional com Machine Learning

📘 Enunciado do Problema

O avanço da Inteligência Artificial, da automação e das mudanças sociais está transformando profundamente o mundo do trabalho.
Profissões estão sendo reinventadas e novas habilidades estão se tornando essenciais, como pensamento crítico, criatividade e capacidade analítica.

Com base nisso, este projeto propõe uma análise preditiva para explorar como fatores socioeconômicos e estruturais podem se relacionar com a prosperidade de uma região, conceito que pode ser associado à qualidade de vida, oportunidades de emprego e condições de trabalho.

---

📊 Escolha do Conjunto de Dados

Foi utilizado o California Housing Dataset, disponibilizado pela biblioteca scikit-learn.
Esse conjunto de dados contém informações sobre diferentes regiões da Califórnia (EUA), com atributos como:

• Renda média das famílias
• Idade média das casas
• Número médio de quartos e moradores por domicílio
• Latitude e longitude (localização)

O objetivo é prever o valor médio das habitações, utilizado aqui como indicador de prosperidade socioeconômica, refletindo o acesso a oportunidades e qualidade de vida — diretamente conectado ao tema “O Futuro do Trabalho”.

---

💡 Especificação da Solução Proposta

A solução desenvolvida é uma aplicação Python que:

1. Carrega e prepara os dados reais (California Housing);
2. Aplica normalização dos atributos para melhorar o desempenho dos algoritmos;
3. Treina e avalia três modelos de regressão:
   • LinearRegression (modelo base);
   • Ridge Regression (L2), que reduz o impacto de atributos com pesos muito altos;
   • Lasso Regression (L1), que elimina atributos irrelevantes e realiza seleção automática de variáveis;
4. Executa validação cruzada (5-fold) para obter uma métrica de desempenho mais estável e confiável;
5. Exibe os resultados comparativos dos modelos, incluindo R², MSE e médias da validação cruzada;
6. Mostra gráficos interativos com:
   • Comparação do desempenho entre modelos;
   • Relação entre valores reais e preditos do melhor modelo.

---

🧠 Estratégia Utilizada

1. Preparação dos dados: normalização com StandardScaler.
2. Treinamento e Validação: utilização de três modelos com técnicas de regularização (Ridge e Lasso).
3. Validação Cruzada: cross_val_score(cv=5) para medir a estabilidade do modelo.
4. Avaliação: métricas R² (qualidade da predição) e MSE (erro médio).
5. Visualização: gráficos para análise comparativa e desempenho final.

---

⚙️ Justificativa das Ferramentas e Modelos

Ferramenta / Modelo	Justificativa
Python	Linguagem amplamente utilizada em ciência de dados e IA.
scikit-learn	Biblioteca robusta para modelagem, regressão, validação e métricas.
pandas / numpy	Manipulação de dados numéricos e tabelares.
matplotlib	Geração de gráficos e visualização dos resultados.
LinearRegression	Modelo interpretável, usado como baseline.
Ridge (L2)	Reduz overfitting ao penalizar coeficientes grandes.
Lasso (L1)	Realiza regularização e seleção de variáveis.
Validação Cruzada	Melhora a confiabilidade e reduz viés na avaliação.

---

📈 Análises e Resultados

Os resultados mostraram que:

• A regularização (Ridge e Lasso) melhorou a estabilidade dos modelos em relação à regressão linear simples.
• O Ridge Regression apresentou o melhor equilíbrio entre erro e poder de explicação (R²).
• O R² médio ficou entre 0.58 e 0.62, o que é típico desse conjunto de dados.
• A abordagem permite observar a importância de variáveis como renda média, densidade populacional e localização geográfica, todas relacionadas à qualidade de vida e, indiretamente, às oportunidades de trabalho.

---

🧩 Conclusão

O projeto demonstra como técnicas de aprendizado de máquina podem ser aplicadas para compreender relações entre desenvolvimento socioeconômico e condições de trabalho futuras.
A solução proposta utiliza modelos interpretáveis, combinados com validação cruzada e regularização, garantindo resultados consistentes e explicáveis.

Essa abordagem ilustra o potencial da educação tecnológica e da análise de dados como ferramentas para construir um futuro do trabalho mais inclusivo, ético e sustentável, alinhado à visão da ONU e OIT para 2030–2050.

---

🧰 Requirements

🖥️ Requisitos do Sistema

• Python 3.8+
• 4 GB de RAM (mínimo recomendado)
• Sistema operacional: Windows, macOS ou Linux

📦 Dependências do Projeto

Instale todas as bibliotecas com o comando:

pip install -r requirements.txt

---

🧑‍💻 Integrantes

• RM553377 - Enzo Rodrigues
• RM553266 - Hugo Santos
• RM553521 - Rafael Cristofali