Este projeto tem como objetivo prever qual grupo terrorista realizou um ataque específico utilizando dados da base de dados Global Terrorism Database (GTD). A análise e o modelo preditivo foram desenvolvidos utilizando Python e diversas bibliotecas de machine learning.
O Global Terror Predictor é um projeto que visa prever o grupo terrorista responsável por ataques com base em um conjunto de características dos incidentes. O projeto utiliza a base de dados Global Terrorism Database (GTD), uma das mais abrangentes bases de dados sobre terrorismo no mundo, para realizar a tarefa de predição.
A base de dados contém informações detalhadas sobre incidentes terroristas, como local, tipo de ataque, armas utilizadas, entre outros. A tarefa de prever o grupo responsável por um ataque é um desafio devido à natureza complexa e multidimensional dos dados.
- Desenvolver um modelo de machine learning capaz de prever o grupo terrorista que realizou um ataque.
- Analisar os dados da GTD e extrair insights relevantes.
- Implementar técnicas de limpeza e pré-processamento de dados para melhorar a qualidade das previsões.
- Avaliar a performance do modelo utilizando métricas apropriadas.
- Python: Linguagem principal para análise de dados e desenvolvimento do modelo.
- Jupyter Notebook: Ambiente utilizado para desenvolver e documentar o código.
- Pandas: Biblioteca para manipulação e análise de dados.
- Scikit-learn: Biblioteca para criação e avaliação de modelos de machine learning.
- Matplotlib e Seaborn: Bibliotecas para visualização de dados.
- Global Terrorism Database (GTD): Fonte dos dados utilizados para o treinamento e teste do modelo.
Clone o repositório para o seu ambiente local:
git clone https://github.com/feliperafaelbarbosa/global-terror-predictor.git
cd global-terror-predictor- Baixe os dados do GTD (caso ainda não tenha feito isso) no formato CSV e coloque-os no diretório
data/. - Abra o notebook
global_terror_predictor.ipynbutilizando o Jupyter Notebook. - Execute as células do notebook para carregar os dados, realizar a análise e treinar o modelo preditivo.
- Você pode ajustar os parâmetros do modelo ou realizar novas visualizações conforme necessário.
Contribuições são bem-vindas! Se você deseja melhorar o projeto ou adicionar novas funcionalidades, siga os passos abaixo:
- Fork o repositório.
- Crie um branch para sua feature (
git checkout -b feature/nome-da-feature). - Commit suas mudanças (
git commit -m 'Adicionei nova feature'). - Dê push para o branch (
git push origin feature/nome-da-feature). - Abra um Pull Request.
Este projeto está licenciado sob a Licença MIT - veja o arquivo LICENSE para mais detalhes.
Esse README abrange os principais aspectos do projeto. Você pode ajustá-lo conforme necessário ou incluir informações adicionais específicas ao seu trabalho.