"Você é um especialista em Ciência de Dados e IA. Sua tarefa é criar um guia prático para cientistas de dados iniciantes sobre 'Melhores Práticas para Garantir a Reprodutibilidade e a Transparência em Projetos de Machine Learning'. O guia deve cobrir desde a organização inicial do projeto até a entrega final, incluindo:

1.  **Estrutura de Repositório:** Proponha uma estrutura de diretórios ideal e justificativa para cada seção (dados brutos, dados processados, notebooks, scripts, modelos treinados, resultados, documentação).
2.  **Gerenciamento de Versões (Git):** Descreva fluxos de trabalho essenciais para versionamento de código, dados (com DVC ou similar) e modelos. Inclua dicas para mensagens de commit eficazes e branches.
3.  **Ambientes de Desenvolvimento:** Explique a importância de ambientes virtuais (conda, venv) e como gerenciar dependências de forma reprodutível (requirements.txt, environment.yml).
4.  **Documentação:** Detalhe o que deve ser documentado em cada fase do projeto (EDA, pré-processamento, modelagem, avaliação), incluindo exemplos de READMEs eficazes e comentários em código.
5.  **Rastreamento de Experimentos:** Apresente ferramentas e métodos para registrar parâmetros, métricas e artefatos de modelos (MLflow, Weights & Biases, ou solução manual).
6.  **Testes:** Aborde a importância de testes unitários para funções de pré-processamento e avaliação, e testes de integração para o pipeline completo.
7.  **Reprodução de Resultados:** Crie um checklist para um colega replicar seu trabalho do zero, garantindo os mesmos resultados.
8.  **Transparência e Explicabilidade:** Discuta brevemente como ferramentas de explicabilidade (SHAP, LIME) contribuem para a transparência do modelo, mesmo que não seja o foco principal.

O guia deve ser conciso, acionável e focado em exemplos práticos usando ferramentas e conceitos comumente aceitos na indústria. Utilize uma linguagem clara e objetiva, adequada para um público técnico, mas com didática para iniciantes."