A recomendação da minha instituição foi utilizar o Google Colab para desenvolver o código e executá-lo.

Você foi contratado para criar um modelo de Machine Learning que classifica espécies de flores Iris com base em características como comprimento e largura das sépalas e pétalas. Você usará o TensorFlow para construir, treinar e avaliar o modelo

• Usar bibliotecas como tensorflow, pandas e scikit-learn.
• Carregar o conjunto de dados Iris disponível no scikit-learn.

• Dividir o conjunto de dados em treinamento e teste.
• Normalizar os dados.

• Usar TensorFlow para construir um modelo de rede neural simples.

• Treinar o modelo com os dados de treinamento

• Avaliar a precisão do modelo usando os dados de teste.

• Fazer previsões com o modelo treinado

Você pode acompanhar pela imagem abaixo ou pelo arquivo aqui no github ---> Arquivo do Projeto

• O código começa importando as bibliotecas necessárias e carregando o conjunto de dados Iris, que contém medidas das sépalas e pétalas de três espécies de flores. Em seguida, os dados são divididos em treino e teste e passam por normalização para ficarem na mesma escala.

Depois disso, é construída uma rede neural simples com o TensorFlow: duas camadas escondidas (com 10 e 8 neurônios, usando ativação relu) e uma camada de saída com 3 neurônios (usando softmax, já que temos 3 classes).

O modelo é compilado com o otimizador adam, a função de perda sparse_categorical_crossentropy e a métrica de acurácia.

O treinamento acontece em 50 épocas, ajustando os pesos da rede para aprender os padrões. Em seguida, o modelo é avaliado no conjunto de teste para medir a precisão alcançada.

Por fim, o modelo faz previsões: gera probabilidades para cada espécie de flor e indica qual classe tem maior chance, permitindo comparar com as classes reais.