Avaliação Final (Discursiva) II - Individual

Prévia do material em texto

21/03/2024, 10:34 Avaliação Final (Discursiva) - Individual
about:blank 1/2
Prova Impressa
GABARITO | Avaliação Final (Discursiva) - Individual (Cod.:886670)
Peso da Avaliação 4,00
Prova 70495399
Qtd. de Questões 2
Nota 7,50
As técnicas de Big Data e Machine learning têm revolucionado o mundo em diversas áreas do conhecimento. São diversos os desafios, entretanto realizar 
predições de valores contínuos é um dos principais, pois além de envolver diversos valores, ainda se demanda conhecer técnicas de regressão. Dentre tais técnicas, as 
redes neurais têm um destaque no mercado. Sobre as redes neurais, analise a imagem anexa e escreva o significado de cada um dos elementos x, w, z e y.
Resposta esperada
O x representa os neurônios de entrada, os sinais da entrada no neurônio são representados pelo vetor x = [x1, x2, x3, ..., xN]. Esses valores são os mesmos que são
conhecidos como os parâmetros de entrada em demais algoritmos (input).
O w representa os pesos sinápticos w (weight - peso), são valores que representam o grau de importância que determinada entrada possui em relação aquele
determinado neurônio, são os elementos do vetor w = [w1, w2, w3, ..., wN].
O z é a função de ativação, comumente denominado como potencial de ativação.
O y é a camada de saída. Quando o y aparece sem circunflexo, indica o valor original, e quando aparece com circunflexo se refere ao valor predito.
Minha resposta
Vendo os elementos de entrada, o vetor =[x1, x2, x3, xN], mostra os estímulos que estão sendo enviados aos neurônios, assim podem corresponder, por exempo a
um pixel de imagens, tons, frequencias e amostras de audios. Assim podemos colocar que os elementos do vetor w=[w1, w2, w3, wN] são as sinapses que são
multiplicadas dentro do neuronio que assim incialmente foi estumulado pelo vetor x. O elemento z é chamado de potencial de ativação e trata-se do valore gerado
pela sua multiplicação dos pesos sinápticos que ocorreram nos neurenios pelo vetor w. E y é o valor vinal predito por essa regreção dessa rede neural.
Retorno da correção
Parabéns acadêmico, sua resposta se aproximou dos objetivos da questão, poderia apenas ter apresentado mais argumentos acerca dos conteúdos disponibilizados
nos materiais didáticos e estudos.
O KNN é um classificador onde o aprendizado é baseado na analogia. O conjunto de treinamento é formado por vetores n-dimensionais e cada elemento deste 
conjunto representa um ponto no espaço n-dimensional. Para determinar a classe de um elemento que não pertença ao conjunto de treinamento, o classificador KNN 
procura k elementos do conjunto de treinamento que estejam mais próximos deste elemento desconhecido, ou seja, que tenham a menor distância. Estes k elementos são 
chamados de k-vizinhos mais próximos. Verifica-se quais são as classes desses k vizinhos e a classe mais frequente será atribuída à classe do elemento desconhecido.
Considere o conjunto de dados da imagem anexa.
Descreva quais os pré-processamentos necessários a serem realizados antes de ser treinado e o trecho de código em Python com o comando para implementar e avaliar o 
método KNN (n=7) com scikit-learn, uma vez que já se tenha as variáveis X_train, y_train, X_test, y_test. 
FONTE: FARIA, Mauricio Mendes; MONTEIRO, Ana Maria. Investigação sobre Técnicas de Detecção de Intrusões em Redes de Computadores com base nos 
Algoritmos Knn e K-Means. 2015. Disponível em: 
 VOLTAR
A+ Alterar modo de visualização
1
2
21/03/2024, 10:34 Avaliação Final (Discursiva) - Individual
about:blank 2/2
https://www.researchgate.net/publication/283325462_Investigacao_sobre_Tecnicas_de_Deteccao_de_Intrusoes_em_Redes_de_Computadores_com_base_nos_Algoritmos_K
Means. Acesso em: 14 abr. 2021.
Resposta esperada
Exemplos de pré-processamento:
- Remoção de dados inválidos.
- Normalização.
Como implementação:
from sklearn.neighbors import KNeighborsClassifier
knn = KNeighborsClassifier(n_neighbors=7)
knn.fit(X_train_normalizado, y_train)
print('A acurácia do KNN na base de treino é: {:.4f} '.forma-t(knn.score(X_train_normalizado, y_train)))
prrint('A acurácia do KNN na base de teste é: {:.4f} '.forma-t(knn.score(X_test_normalizado, y_test))
Minha resposta
Podemos colocar que devemos realizar os pré-processamentos antes do treinado, assim destacamos: Entender a regra de negócio; Entender os dados; Fazer a
preparação dos dados; Fazer a higienização da base; Modelar os dados; Avaliar os resultados; Realizar o deploy (produção).
Retorno da correção
Prezado acadêmico, sua resposta foi parcial. Faltou argumentação suficiente para contemplar as discussões do conteúdo da questão. Aprofunde mais seus estudos e
explore os materiais indicados da trilha.
Imprimir