Sistemas Inteligentes
Conteúdo
Aula 1- Introdução a Sistemas Inteligentes
Aula 2- Otimização de Sistemas e Superfícies de Erro
Aula 3 - Métricas e avaliação (MAE e MSE)
Aula 4 - Otimizador Aleatório
Aula 5 - Redes Neurais - Introdução
Aula 6 - Parceptron
Aula 7 - Gradiente descendente
Aula 8 - Gradiente descendente
Aula 9 - Classificação de múltiplas classes
Aula 10 - Implementação de trabalhos
Aula 11 - Métodos de busca
Materiais auxiliares
Trabalho 1 - entrega 31/08
1 - Utilizando o arguivo L03_scipython_notes.pdf, execute cada um dos comandos no ambiente colab.
2 - Para cada comando explique, com suas palavras, o que foi executado.
3 - Compartilhe o colab final no email
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
Trabalho 11 - entrega 07/07
Crie um classificador do tipo RL (ver slides L13)
Vc deve determinar os pesos da reta w0, w1 e w2 usando aprendizado por reforço. É necessário discretizar ou abstrair o espaço de estados
A implementação deve ter, separadamente, o simulador e o método de reforço
O similador deve retornar os possíveis estados futuros, tendo como entrada o estado inicial
O método de reforço deve ser o Q-learning
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