# Desafio WorCAP 2020

Este desafio foi criado com o objetivo de estimular os alunos a realizar Data Science e aplicar técnicas de Machine Learning. No exercício proposto, a ideia é que os participantes da competição busquem formas de melhorar a acurácia de classificação do conjunto de dados gerado no trabalho de [Johnson *et al.*, (2012)](https://www.tandfonline.com/doi/full/10.1080/01431161.2011.629637?scroll=top&needAccess=true). Nesse trabalho, os autores apresentaram acurácia de **85.9%** 😲 💯 

> Será que você é capaz de ultrapassar essa acurácia ?

Desta forma, para que você vença o desafio é necessário aplicar uma técnica de classificação, utilizando [R](https://www.kaggle.com/oldlipe/ml-curso-de-verao-r/) ou [Python](https://www.kaggle.com/phelpsmemo/ml-curso-de-verao-python), e obter o melhor resultado da competição (Não necessariamente melhor que o resultado apresentado no artigo). Feito isso, você vence! 🎉 

## Sobre o conjunto de dados

Neste desafio foi selecionado para uso o conjunto de dados de Sensoriamento Remoto sobre tipos de florestas. Os dados foram publicados por [Johnson *et al.*, (2012)](https://www.tandfonline.com/doi/full/10.1080/01431161.2011.629637?scroll=top&needAccess=true), no artigo denominado "Using geographically weighted variables for image classification". Os dados foram gerados a partir de imagens de Sensoriamento Remoto das florestas de Ibaraki Prefecture, no Japão. As imagens utilizadas são apresentadas abaixo.

![](https://raw.githubusercontent.com/dataAt/ml-aplicado-dados-espacial/master/src/img/study_area.png)

As imagens apresentadas acima foram imageadas pelo sensor ASTER a bordo do satélite Terra, nos períodos de Setembro de 2010, Março de 2011 e Maio de 2011, respectivamente. 

## Agradecimentos

Durante a criação do material recebemos muitas ajudas, uma fundamental foi a do professor. Dr. Rafael Santos. Obrigado!