Como Usar TensorFlow

O TensorFlow é um dos frameworks mais poderosos e flexíveis para Machine Learning e Deep Learning. Criado pelo Google, ele é usado por cientistas de dados, engenheiros e pesquisadores para criar desde modelos simples de regressão até redes neurais avançadas que movem sistemas de recomendação, detecção de fraudes, visão computacional e NLP.

Neste artigo, você vai aprender:

• Por que usar TensorFlow na ciência de dados

• Exemplos práticos com código

• Projetos reais que você pode implementar

• Como integrar TensorFlow com pipelines de ciência de dados

Por que usar TensorFlow na Ciência de Dados?

O TensorFlow se destaca por:

✔ Escalabilidade

Suporta treinamento em CPU, GPU e clusters distribuídos.

✔ Flexibilidade

Criar desde modelos simples (Regressão) até arquiteturas complexas (CNN, LSTM, Transformers).

✔ Ecosistema Completo

• TensorBoard (monitoramento de métricas)

• TF Lite (modelos para mobile)

• TF Serving (deploy em produção)

✔ Interoperabilidade

Funciona com Keras, Scikit-Learn, Python, e notebooks (Colab, Jupyter).

1. Exemplo básico: Regressão Linear com TensorFlow + Keras

A forma mais simples de começar no ML com TensorFlow é criar um modelo de regressão para prever valores contínuos.

Vamos prever o preço de casas com duas features fictícias (tamanho e número de quartos).

Código completo:

import tensorflow as tf import numpy as np # Dados de exemplo X = np.array([ [50, 1], [80, 2], [120, 3], [150, 4], [200, 5] ], dtype=float) y = np.array([100000, 180000, 250000, 320000, 450000], dtype=float) # Modelo model = tf.keras.Sequential([ tf.keras.layers.Dense(16, activation="relu", input_shape=[2]), tf.keras.layers.Dense(8, activation="relu"), tf.keras.layers.Dense(1) ]) model.compile( optimizer="adam", loss="mse", metrics=["mae"] ) # Treinamento history = model.fit(X, y, epochs=500, verbose=0) # Previsão nova_casa = np.array([[170, 4]]) print("Preço previsto:", model.predict(nova_casa))

Quando usar?

✔ Previsão de preços
✔ Previsão de demanda
✔ Séries temporais simples

2. Classificação Binária: Detecção de Fraudes

Neste exemplo, criamos um modelo simples para prever se uma transação é suspeita (0 = normal, 1 = fraude).

Código resumido:

import tensorflow as tf from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler import pandas as pd # Exemplo: dataset de fraudes df = pd.read_csv("fraudes.csv") X = df.drop("fraude", axis=1) y = df["fraude"] # Normalização scaler = StandardScaler() X = scaler.fit_transform(X) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2) # Modelo model = tf.keras.Sequential([ tf.keras.layers.Dense(32, activation="relu"), tf.keras.layers.Dense(16, activation="relu"), tf.keras.layers.Dense(1, activation="sigmoid") ]) model.compile(optimizer="adam", loss="binary_crossentropy", metrics=["accuracy"]) model.fit(X_train, y_train, epochs=20, validation_data=(X_test, y_test)) # Avaliação loss, acc = model.evaluate(X_test, y_test) print("Acurácia:", acc)

Aplicações reais

✔ Análise de crédito
✔ Detecção de fraudes em cartões
✔ Flags de comportamento suspeito em sistemas

3. Visão Computacional com TensorFlow: Classificação de Imagens

Aqui usamos Convolutional Neural Networks (CNNs) para classificar imagens (gatos vs cachorros, por exemplo).

Código real usando Keras + CNN:

import tensorflow as tf img_height = 180 img_width = 180 train_ds = tf.keras.preprocessing.image_dataset_from_directory( "dataset_animais/", validation_split=0.2, subset="training", seed=123, image_size=(img_height, img_width), batch_size=32 ) val_ds = tf.keras.preprocessing.image_dataset_from_directory( "dataset_animais/", validation_split=0.2, subset="validation", seed=123, image_size=(img_height, img_width), batch_size=32 ) model = tf.keras.Sequential([ tf.keras.layers.Rescaling(1./255), tf.keras.layers.Conv2D(32, 3, activation="relu"), tf.keras.layers.MaxPooling2D(), tf.keras.layers.Conv2D(64, 3, activation="relu"), tf.keras.layers.MaxPooling2D(), tf.keras.layers.Flatten(), tf.keras.layers.Dense(128, activation="relu"), tf.keras.layers.Dense(1, activation="sigmoid") ]) model.compile(optimizer="adam", loss="binary_crossentropy", metrics=["accuracy"]) model.fit(train_ds, validation_data=val_ds, epochs=10)

Projetos reais

✔ Detecção de doenças em plantas (PlantVillage)
✔ Classificação de objetos
✔ Inspeção industrial automatizada
✔ Scanner de documentos

4. Previsão de Séries Temporais com TensorFlow (LSTM)

TensorFlow também é excelente para séries temporais usando LSTM, ideal para:

• Previsão de demanda

• Estoque

• Vendas

Exemplo LSTM:

import tensorflow as tf import numpy as np # Criar dataset temporal fictício data = np.sin(np.arange(0, 200, 0.1)) seq_len = 20 X, y = [], [] for i in range(len(data) - seq_len): X.append(data[i:i+seq_len]) y.append(data[i+seq_len]) X = np.array(X) y = np.array(y) X = X.reshape((X.shape[0], X.shape[1], 1)) # Modelo LSTM model = tf.keras.Sequential([ tf.keras.layers.LSTM(50, return_sequences=False), tf.keras.layers.Dense(1) ]) model.compile(optimizer="adam", loss="mse") model.fit(X, y, epochs=10)

5. Projeto Completo que Você Pode Criar Hoje

Aqui estão 4 ideias prontas para seu portfólio usando TensorFlow:

- 1. Previsão de Demanda (LSTM ou Rede Densa)

• Utilize dados históricos de vendas

• Preveja + otimize estoque

• Construa dashboards com Plotly

-2. Classificador de Plantas (Deep Learning + CNN)

Usando PlantVillage ou Pl@ntNet-300K
Ideal para publicar no Kaggle ou GitHub.

-3. Detecção de Fraudes Bancárias

Use Dense Neural Networks com crossentropy.

-4. Sistema de Recomendação com TensorFlow Recommenders

• Recomendação de produtos

• Recomendação de livros

• Recomendação de vídeos (estilo Netflix)

TensorFlow no Pipeline Completo de Ciência de Dados

Um cientista de dados pode integrar TensorFlow em:

1. Ingestão e limpeza de dados – pandas, Spark

2. Feature engineering

3. Treinamento com TensorFlow/Keras

4. Monitoramento com TensorBoard

5. Validação cruzada

6. Deploy com TF Serving, Docker ou FastAPI

7. Escalabilidade com GPU e TPU

Conclusão

O TensorFlow oferece um ecossistema completo para criar modelos poderosos e escaláveis. Seja para previsões, classificações, séries temporais ou visão computacional, ele é uma das melhores ferramentas para elevar seu trabalho como cientista de dados.