Dataset 1: Classificação (Aprendizado Supervisionado) Nome: Iris Species Link: https://www.kaggle.com/datasets/uciml/iris Objetivo: Classificar flores de íris em três espécies diferentes (Iris setosa, Iris versicolor e Iris virginica) com base em suas características. Entradas: SepalLengthCm: Comprimento da sépala (em cm). SepalWidthCm: Largura da sépala (em cm). PetalLengthCm: Comprimento da pétala (em cm). PetalWidthCm: Largura da pétala (em cm).

Saída: Species: Espécie da flor de íris (Iris setosa, Iris versicolor ou Iris virginica). Descrição do Problema: O problema é classificar flores de íris em suas respectivas espécies com base em medidas de suas pétalas e sépalas.

Dataset 2: Regressão (Aprendizado Supervisionado) Nome: Boston House Prices Link: https://www.kaggle.com/datasets/vivin/boston-housing-dataset Objetivo: Prever o valor mediano das casas em diferentes áreas de Boston, utilizando características socioeconômicas da região. Entradas: CRIM: Taxa de criminalidade per capita por município. ZN: Proporção de terrenos residenciais para lotes maiores que 25.000 pés quadrados. INDUS: Proporção de acres de indústria comercial não varejista por município. CHAS: Variável dummy River Charles (1 se o município limita o Rio Charles; 0 caso contrário). NOX: Concentração de óxidos nítricos (partes por milhão). RM: Número médio de quartos por residência. AGE: Proporção de unidades ocupadas por proprietários construídas antes de 1940. DIS: Dimensões ponderadas para acessos às cinco rodovias principais. RAD: Índice de acessibilidade às rodovias radiais. TAX: Taxa de imposto de propriedade de $ 10.000. PTRATIO: Razão aluno-professor por município. B: 1000(Bk - 0,63)^2, onde Bk é a proporção de pessoas de ascendência afro-americana por município. LSTAT: Porcentagem da população de baixa renda.

Saída: MEDV: Valor mediano das casas ocupadas pelo proprietário em US$ 1.000. Descrição do Problema: O objetivo é prever o valor mediano das casas em diferentes áreas de Boston, utilizando informações sobre as características socioeconômicas de cada região.

Dataset 3: Aprendizado Não Supervisionado - Exemplo Adicional Nome: Customer Segmentation Dataset Link: https://www.kaggle.com/datasets/vjchoudhary7/customer-segmentation-tutorial-in-python Objetivo: Segmentar clientes em grupos distintos com base em seus dados demográficos e de comportamento de compra. Entradas: CustomerID: Identificador único do cliente. Gender: Sexo do cliente. Age: Idade do cliente. Annual Income (k$): Renda anual do cliente (em milhares de dólares). Spending Score (1-100): Pontuação atribuída pelo shopping com base no comportamento de compra do cliente (quanto maior, mais o cliente gasta).

Saída: Não há uma saída explícita em aprendizado não supervisionado. O objetivo é encontrar grupos de clientes similares sem a necessidade de rótulos pré-definidos. Descrição do Problema: O problema consiste em segmentar os clientes do shopping em grupos distintos, com base em suas características, para que o shopping possa direcionar campanhas de marketing personalizadas e otimizar suas estratégias de negócio. Observações: Este dataset é ideal para aplicar algoritmos de clustering como K-means, Mean Shift Clustering e Agglomerative Clustering. A análise dos clusters formados pode revelar insights importantes sobre o comportamento dos clientes, como a identificação de grupos com alto potencial de compra ou grupos com baixo índice de fidelidade. Após a segmentação, outras análises e modelos de aprendizado de máquina podem ser aplicados para otimizar as estratégias de marketing e vendas.