Trabalho 2 - entrega 14/09

1 - Ler os capítulos I-Inteligência Artificial e II-Resolução de problemas.

2 - Fazer um resumo de, no mínimo, 400 palavras no google docs

3 - Compartilhar o documento

Trabalho 3 - entrega 27/10

1 - Crie sua própria base de dados de classificação de frutas ou verduras. A mesma deve conter:

• 3 features/variáveis independentes (reais ou inteiros)

• 1 variável dependente (reais ou inteiros)

• possuir no mínimo 30 amostras, 15 de cada classe

Trabalho 4 - entrega 27/10

Crie um classificador baseado na regra 1-rule (ver slides L04) . 

• Teu classificador deverá separar as classes com base em apenas uma regra

• Essa regra deve ser a melhor dentre todas as possíveis, portanto vc deverá testar todas as características e todos os intervalos

• O objeto final deve conter os métodos fit(), predict() e score() 

• A base de dados deve ser separada em base de treino e teste. A base de treino deve ter 66% dos dados e a base de teste deve ter 33% dos dados.

• A acurácia deve ser medida na base de treino e na base de teste

Trabalho 5 - entrega 27/10

Crie um classificador aleatório (ver slides L04) . 

• Teu classificador deverá chutar um conjunto de 100 valores para a reta de decisão. Para cada reta calcule a acurácia na base de dados de teste.

• Escolha, como regra do classificador, a reta que melhor separa os objetos (melhor acurácia)

• O objeto final deve conter os métodos fit(), predict() e score() 

• A base de dados deve ser separada em base de treino e teste. A base de treino deve ter 66% dos dados e a base de teste deve ter 33% dos dados.

• A acurácia final deve ser medida na base de treino e na base de teste

Trabalho 6 - entrega 27/10

Crie um classificador do tipo PSO (ver slides L13)

• O objeto final deve conter os métodos fit(), predict() e score()

• A base de dados deve ser separada em base de treino e teste. A base de treino deve ter 66% dos dados e a base de teste deve ter 33% dos dados.

• A acurácia final deve ser medida na base de treino e na base de teste

Trabalho 7 - entrega 27/10

Crie um classificador do tipo com o método que vc quiser (ver pipelines)

• O método criado deve ter escolha de hiperparâmetros, avaliação do modelo e intervalo de confiança

Não fazer daqui para baixo

Trabalho 6 - entrega 13/04

Crie um classificador do tipo perceptron (ver slides L04)

• O objeto final deve conter os métodos fit(), predict() e score()

• O perceptron deve ser do tipo estocástico. Como parâmetro deve receber  o número de épocas

• A base de dados deve ser separada em base de treino e teste. A base de treino deve ter 66% dos dados e a base de teste deve ter 33% dos dados.

• Deve ser plotado o scatterplot dos pontos e a reta de decisão obtida

• A acurácia final deve ser medida na base de treino e na base de teste

Trabalho 7 - entrega 18/05

Crie um classificador do tipo adaline

• O objeto final deve conter os métodos fit(), predict() e score()

• O adaline deve ser do tipo batch. Como parâmetro deve receber  o número de épocas e a taxa de aprendizado

• A base de dados deve ser separada em base de treino e teste. A base de treino deve ter 66% dos dados e a base de teste deve ter 33% dos dados.

• Deve ser plotado o scatterplot dos pontos e a reta de decisão obtida

• A acurácia final deve ser medida na base de treino e na base de teste

Trabalho 8 - entrega 18/05

Crie um classificador do tipo regressão linear por método exato, mínimos quadrados (ver slide 18 L05 e L09)

• O objeto final deve conter os métodos fit(), predict() e score()

• A base de dados deve ser separada em base de treino e teste. A base de treino deve ter 66% dos dados e a base de teste deve ter 33% dos dados.

• Deve ser plotado o scatterplot dos pontos e a reta de decisão obtida

• A acurácia final deve ser medida na base de treino e na base de teste

Trabalho 10 - entrega 07/07

Crie um classificador usando método de busca (ver slides L14)

• Vc deve determinar os pesos da reta w0, w1 e w2 usando um método de busca. Pode escolher profundidade ou largura. É necessário incluir alguma meta-heurística

• A implementação deve ter, separadamente, o simulador e o método de busca

  • O similador deve retornar os possíveis estados futuros, tendo como entrada o estado inicial

  • O método de busca pode ser implementado usando uma pilha ou pode alguma outra biblioteca que acharem interessante

• O objeto final deve conter os métodos fit(), predict() e score()

• A base de dados deve ser separada em base de treino e teste. A base de treino deve ter 66% dos dados e a base de teste deve ter 33% dos dados.

• Deve ser plotado o scatterplot dos pontos e a reta de decisão obtida

• A acurácia final deve ser medida na base de treino e na base de teste