supervisionado.py

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
import matplotlib.pyplot as plt

# Dados de exemplo
X_train = tf.constant([[1.0], [2.0], [3.0], [4.0]])
y_train = tf.constant([[2.0], [4.0], [6.0], [8.0]])

# Modelo de Regressão Linear Simples
model = Sequential()  # Cria um "cérebro" vazio
model.add(Dense(units=1, input_shape=(1,)))  # Adiciona 1 neurônio (bem simples!)
# model.compile(optimizer='sgd', loss='mean_squared_error')  # Configura como ele aprende
model.compile(optimizer=tf.keras.optimizers.SGD(learning_rate=0.1), loss='mse') # dessa forma o valor chega exatamento ao resultado do prediction

# Treinamento do modelo | quanto maior o número de epochs mais próximo chega ao resultado
model.fit(X_train, y_train, epochs=500, verbose=0) # verbose=0 > para não exibir aprendizado da máquina

# Previsão
X_new = tf.constant([[5.0]])  # Pergunta: "Se X for 5, quanto é y?"
prediction = model.predict(X_new)  # O computador responde!
print("Predição:", prediction[0][0])  # Resposta: "10.0" (porque y = 2 * X)

# Plot dos dados de treino e da reta aprendida
plt.scatter(X_train, y_train, color='blue', label='Dados reais')
plt.plot(X_train, model.predict(X_train), color='red', label='Previsão do modelo')
plt.xlabel('X')
plt.ylabel('y')
plt.legend()
plt.show()