alexandrewneto / tcc_data_science_puc_minas Goto Github PK

Repositório de códigos do Trabalho de Conclusão de Curso apresentado ao Curso de Especialização em Ciência de Dados e Big Data como requisito parcial à obtenção do título de especialista.

PREVISÃO DA GERAÇÃO DE ENERGIA EÓLICA COM MODELOS DE APRENDIZAGEM DE MÁQUINA

Uma análise aplicada ao Conjunto Eólico Umburanas – Bahia, Brasil

Autor: Alexandre Willik Neto

Para visualizar os resultados das rotinas já executadas, abra os cadernos Jupyter na pasta Cadernos.

Para executar as rotinas de treinamento dos modelos preditivos em um ambiente isolado usando o Docker:

1. Faça o download da pasta Docker
2. Acesse a pasta Docker na janela de comando ou no PowerShell
3. Monte a imagem Docker com o seguinte comando:

docker build -t imagem .

4. Após a montagem da imagem Docker, execute o ambiente isolado do contêiner docker com o seguinte comando:

docker run -p 8888:8888 -v "$(pwd)/Cadernos:/code/Cadernos" -v "$(pwd)/Dados tratados:/code/Dados tratados" imagem

5. Copie a URL mostrada no prompt de comando no seu navegador para acessar o ambiente Jupyter. A URL terá o seguinte formato:

 To access the server, open this file in a browser:
        file:///root/.local/share/jupyter/runtime/jpserver-1-open.html
    Or copy and paste one of these URLs:
        http://localhost:8888/tree?token=<sequencia_de_caracteres>
        http://127.0.0.1:8888/tree?token=<sequencia_de_caracteres>

6. No ambiente Jupyter, acesse a pasta Cadernos.
7. Clique nos arquivos models_1-4 ou models_5-8 para acessar as rotinas preditivas.
8. Para executar uma seção do código, clique no botão Run.

Observações:

• O_Docker Desktop_ precisa estar instalado no seu computador para a execução dos comandos acima.
  • Para instruções sobre como instalar o Docker Desktop, visite: https://docs.docker.com/get-docker
• Para instruções sobre como executar um programa no ambiente Jupyter, visite; https://docs.jupyter.org/en/latest/start/index.html
• Somente as rotinas de previsão da geração de energia foram incluídas no contêiner Docker.
  • As rotinas de preparação e visualização de dados não foram incluídas porque os dados de entrada não foram carregados neste repositório.

• Cadernos: contém os cadernos Jupyter com as rotinas escritas neste trabalho.
• Dados brutos: contém os conjuntos de dados utilizados neste trabalho.
  • IMPORTANTE: conjuntos de dados maiores que 25 Mb não foram carregados neste repositório.
• Dados tratados: contém os conjuntos de dados tratados, resultantes da etapa de tratamento e agregação de dados.
• Docker: contém os arquivos a serem armazenados em um contêiner Docker caso se queira executar os modelos preditivos em um contêiner isolado. Também contém as instruções para a construção da imagem docker (Dockerfile) e as bibliotecas Python necessárias (requirements.txt).