Deep Learning · Encontro 2 · Laboratório
Preparando o Ambiente de Desenvolvimento em Python para Projetos de IA
Antes de ensinar a máquina a aprender, precisamos aprender a preparar o ambiente. Nesta atividade prática, você vai configurar — do zero — um ambiente de programação profissional, organizado e reprodutível, seguindo as boas práticas do mercado de Ciência de Dados.
Profª Maristela
Contexto e Objetivos da Atividade
Você assume o papel de um cientista de dados iniciante que precisa preparar sua máquina para trabalhar com modelos de Machine Learning e Deep Learning. O ambiente que vamos construir será a base para todos os projetos futuros da disciplina.
🎯 Ao final desta atividade, você será capaz de:
Instalar o Python
Configurar corretamente a versão adequada
Ambientes Virtuais
Criar e gerenciar ambientes isolados
Configurar o VS Code
Preparar o editor para Ciência de Dados
Instalar Bibliotecas
Adicionar pandas, numpy, scikit-learn e mais
Executar um Notebook
Rodar um .ipynb com sucesso no VS Code
Parte 1
Instalação do Python
Python é a linguagem base da maioria das soluções de IA e Machine Learning. Antes de instalar qualquer coisa, precisamos verificar se o Python já está presente na sua máquina — e qual versão está instalada. A versão importa: nem todas as bibliotecas suportam versões muito recentes do Python.
✔️ Verificando a instalação
Abra o terminal e execute um dos comandos abaixo:
python --version
python3 --version
Se o Python não estiver instalado, siga estes passos:
01
Acesse o site oficial
Faça o download em python.org — escolha a versão 3.10 ou superior.
02
Marque "Add Python to PATH"
Esta opção é essencial. Sem ela, o terminal não reconhecerá o comando python.
03
Conclua a instalação
Siga o assistente e, ao final, verifique novamente com python --version.

⚠️ Atenção: Nunca pule a opção "Add Python to PATH". Este é o erro mais comum de iniciantes e causa grande frustração depois.
Parte 2
Criação do Ambiente Virtual
Ambientes virtuais são espaços isolados onde você instala bibliotecas sem afetar o Python global do sistema. Isso garante que cada projeto tenha suas próprias dependências, evitando conflitos entre versões de bibliotecas diferentes.
Criando o ambiente
No diretório do seu projeto, execute:
python -m venv venv
Ativação por sistema operacional
Windows (PowerShell):
venv/Scripts/activate
Linux / macOS:
source venv/bin/activate
Quando o ambiente estiver ativo, o nome (venv) aparecerá no início da linha do terminal.
🧠 Reflexão Guiada
Por que não instalar tudo no Python global?
Se dois projetos usam versões diferentes da mesma biblioteca (ex: TensorFlow 2.10 vs 2.15), um deles vai quebrar.
Reprodutibilidade
Ambientes virtuais permitem que qualquer pessoa recrie exatamente o mesmo ambiente que você usou, com as mesmas versões.
Padrão do mercado
Empresas e equipes de Ciência de Dados usam ambientes virtuais como prática obrigatória em seus projetos.
Parte 3
Configurando o Visual Studio Code
O Visual Studio Code (VS Code) é o editor mais usado por cientistas de dados e desenvolvedores de IA. Com as extensões certas, ele se transforma em um ambiente completo para desenvolvimento com notebooks Jupyter, depuração e muito mais.
Extensões obrigatórias
Python (Microsoft)
Oferece IntelliSense, linting, depuração e seleção de interpretador. É a base para todo desenvolvimento Python no VS Code.
Jupyter (Microsoft)
Permite criar e executar notebooks .ipynb diretamente no VS Code, com suporte a visualizações e Markdown.
Passos de configuração
1
Abrir o VS Code
No diretório do projeto via terminal: code .
2
Selecionar o interpretador
Ctrl+Shift+P → "Python: Select Interpreter" → escolha o do venv
3
Criar o notebook
Novo arquivo → revisao_ml.ipynb
Parte 4
Instalação das Bibliotecas Essenciais
Com o ambiente virtual ativo, é hora de instalar as bibliotecas que formam o kit básico de qualquer cientista de dados. Cada uma desempenha um papel fundamental no fluxo de trabalho de Machine Learning.

⚡ Certifique-se de que o terminal mostra (venv) antes de executar o comando abaixo:
pip install pandas numpy matplotlib scikit-learn jupyter
pandas
Manipulação e análise de dados tabulares. Trabalha com DataFrames, a estrutura mais usada em Ciência de Dados.
numpy
Operações numéricas de alta performance. Base matemática para computação científica e álgebra linear.
matplotlib
Criação de gráficos e visualizações. Essencial para explorar dados e apresentar resultados.
scikit-learn
Biblioteca principal de Machine Learning. Contém algoritmos de classificação, regressão, clustering e mais.
jupyter
Suporte completo a notebooks interativos. Permite combinar código, texto e visualizações em um só lugar.
O que é o pip? É o gerenciador de pacotes do Python. Ele baixa e instala bibliotecas automaticamente a partir do repositório PyPI (Python Package Index).
Parte 5
Teste do Ambiente
Agora vamos validar que tudo foi instalado corretamente. No notebook revisao_ml.ipynb que você criou no VS Code, insira o seguinte código em uma célula e execute:
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import sklearn

print("Ambiente configurado com sucesso!")
✅ Se rodar sem erros
Parabéns! Seu ambiente está pronto para os projetos de Machine Learning e Deep Learning da disciplina.
❌ Se apresentar erros
Verifique: o ambiente virtual está ativo? O interpretador correto foi selecionado no VS Code? As bibliotecas foram instaladas?

💡 Dica: Se receber ModuleNotFoundError, provavelmente o pip instalou no ambiente errado. Reative o venv e reinstale.
Parte 6
Organização Profissional do Projeto
Um projeto bem organizado é um projeto que outras pessoas conseguem entender e reproduzir. Essa é uma competência essencial no mercado de trabalho. Vamos criar a estrutura padrão que profissionais de Ciência de Dados utilizam.
📁 Estrutura de diretórios
projeto-ml/
│
├── venv/
├── revisao_ml.ipynb
├── requirements.txt
└── README.md
Gerando o requirements.txt
pip freeze > requirements.txt
Este arquivo registra todas as bibliotecas e versões instaladas no seu ambiente. É o "DNA" do seu projeto.
1
venv/
Ambiente virtual isolado. Nunca deve ser compartilhado ou versionado no Git.
2
revisao_ml.ipynb
Notebook principal com código, análises e visualizações do projeto.
3
requirements.txt
Lista de dependências. Permite recriar o ambiente com pip install -r requirements.txt.
4
README.md
Documentação do projeto: o que faz, como instalar e como executar.
"Se você enviar esse projeto para outra pessoa, ela consegue rodar?" — Essa é a pergunta que todo profissional de dados deve se fazer.
Visão Geral do Fluxo Completo
Vamos recapitular todo o caminho que percorremos nesta atividade. Cada etapa constrói sobre a anterior, formando um fluxo profissional completo de configuração de ambiente.
Este fluxo não é apenas para a disciplina — é o mesmo processo que cientistas de dados seguem ao iniciar qualquer novo projeto profissional. Dominar essa sequência é uma competência valorizada no mercado.
Produto Esperado e Fechamento
Ambiente virtual criado e ativo
Com o (venv) aparecendo no terminal, isolando suas dependências.
VS Code configurado
Com extensões Python e Jupyter instaladas e o interpretador correto selecionado.
Notebook executando sem erros
Todas as importações funcionando e a mensagem de sucesso exibida.
Estrutura profissional organizada
Com requirements.txt e README.md criados no diretório do projeto.
"Antes de ensinar a máquina a aprender, precisamos aprender a preparar o ambiente. Isso também é competência profissional em Ciência de Dados."
👏 Parabéns por completar a configuração! Este ambiente será a base para todos os projetos de Machine Learning e Deep Learning ao longo da disciplina. Cuide dele como um profissional cuida de suas ferramentas.