4aaed04a4309e1d44bbf7b9fd93b2316d192f0a3

Prévia do material em texto

Comitê dos Métodos
Apresentação
1. OBJETIVO
Este ambiente de aprendizagem visa a familiarizá-lo com o universo de aplicações baseadas em 
aprendizagem de máquinas. O experimento proposto trata da aplicação de diferentes métodos de 
classificação em um banco de dados de teste. Você vai aplicar os conceitos apresentados, além 
de compreender e visualizar o funcionamento dos métodos.
 
Ao final deste experimento, você deverá ser capaz de:
reconhecer o funcionamento dos métodos de machine learning;•
identificar o pré-processamento de textos;•
explicar como vários métodos podem trabalhar em conjunto;•
aplicar um comitê de métodos (ensemble learning).•
 
2. ONDE UTILIZAR ESSES CONCEITOS?
A aprendizagem de máquina é uma das tendências mais modernas da tecnologia atualmente. 
Organizações e indústrias já começaram a experimentar aplicações com uso dessa técnica. 
Grandes fornecedores de software já incorporaram o aprendizado de máquina em suas 
ferramentas desenvolvidas para propósitos específicos. Em outros casos, usuários adaptaram 
aplicativos para receber o aprendizado de máquina, a fim de suprir suas necessidades. Por tudo 
isso, muito se tem falado na nova profissão do século, o cientista de dados. Alguns dos principais 
casos de uso de machine learning são: detecção de fraudes; sistemas de recomendação; 
mecanismos de busca; processamento de linguagem natural (como neste laboratório); segurança; 
aplicação na área da saúde; entre outros. Atualmente, um dos maiores desafios dessa área de 
estudo é encontrar profissionais qualificados. Por isso, empresas investem cada vez mais em 
formação e recrutamento para selecionar os melhores do mercado.
Esse é um campo de atuação que promete evoluir nos próximos anos. O conteúdo a seguir foi 
elaborado para fornecer uma base de conhecimentos e permitir que você busque se aprofundar 
cada vez mais na área em questão.
 
3. O EXPERIMENTO
O experimento proposto consiste na construção de um modelo real para detecção de spam em e-
mails. Para isso, é necessário apresentar exemplos de spams para o algoritmo que, 
posteriormente, realizará a classificação de novas mensagens. O conjunto de dados que será 
utilizado é o SMS Spam Collection Dataset. Algumas etapas são necessárias, como: pré-
processamento dos dados; particionamento do conjunto de dados em subconjuntos para teste e 
treino; aplicação dos métodos escolhidos; composição do comitê de métodos; e avaliação das 
métricas de desempenho. Ao final do experimento, a aplicação deve ser capaz de processar e 
classificar novas mensagens de teste.
 
4. SEGURANÇA
Por ser uma aplicação virtual (programação), o desenvolvimento dos modelos de predição e 
aplicação dos métodos propostos não apresenta nenhum tipo de risco ou prejuízo.
 
5. CENÁRIO
Todos os dias, inúmeras pessoas recebem diversas mensagens indesejadas em suas caixas de 
e-mail. Empresas como Google garantem que os métodos de aprendizado de máquina já 
conseguiram bloquear mais de 100 milhões de spams todos os dias. Com cerca de 1,5 bilhão de 
usuários, o Google diz que o Gmail já consegue bloquear 99,9% dos spams diariamente. Esse 
resultado foi obtido graças ao uso de algoritmos especialmente desenvolvidos e treinados com 
grandes quantidades de exemplos para desempenhar essa tarefa. Hoje, a quantidade de 
mensagens com spam é significativamente menor do que há alguns anos. No cenário da prática, 
você vai atuar com esses dados.
Obs.: é importante que esta prática seja realizada individualmente, para melhor aproveitamento e 
aprofundamento do conhecimento.
Bons estudos.
Sumário teórico
COMITÊ DOS MÉTODOS
 
A inteligência artificial, por meio de suas mais diversas subáreas, têm alterado a maneira como os 
seres humanos interagem com os sistemas computacionais e com outros seres humanos. Nesse 
cenário, a machine learning, compreendida como o aprendizado de máquina a partir de dados 
previamente conhecidos, é definida como um campo preocupado com a construção de programas 
de computador que melhorem automaticamente a experiência do usuário.
Diversos métodos estão disponíveis e se aplicam a tarefas que podem ser realizadas a partir de 
seu emprego. No decorrer desta prática, você estudará algoritmos que pertencem à classe dos 
algoritmos de aprendizado supervisionado (supervised learning) dentro do universo da machine 
learning. Neles, são necessárias uma informação de entrada e uma de saída, pois eles 
“aprendem” a função de mapeamento da entrada para a saída (DUDA; STORK; HART, 2000).
De forma geral, os modelos são aplicados em duas situações:
Regressão: obtenção de valores contínuos a partir dos dados;1. 
Classificação: obtenção de uma classe respectiva para cada observação.2. 
    Como o problema proposto é identificar se uma determinada mensagem de e-mail é spam ou 
não, o foco do estudo será nos métodos para classificação.
Os métodos que serão estudados são:
K-nearest neighbors (KNN);1. 
Support vector machine (SVM);2. 
Naive Bayes;3. 
Perceptron;4. 
Árvore de decisão;5. 
Random forest.6. 
 
K-NEAREST NEIGHBORS (KNN)
 
K-nearest neighbors (KNN – K-vizinhos próximos) é um método não paramétrico utilizado para 
classificação e regressão (KELLER; GRAY; GIVENS, 1985). De maneira geral, o algoritmo 
consiste em encontrar os k exemplos rotulados mais próximos do exemplo não classificado. Seu 
funcionamento se dá pelo cálculo da distância entre o ponto a ser classificado e seus vizinhos. 
Normalmente, utiliza-se a distância euclidiana como métrica; contudo, outras podem ser 
utilizadas, de acordo com o tipo de dado ou problema-alvo (por exemplo, distância Manhattan, 
Minkowski ou de Hamming).
 
Figura 1 – Exemplificação dos k vizinhos mais próximos. Fonte: adaptada de Rocha (2019).
           
SUPPORT VECTOR MACHINE (SVM)
 
            Support vector machine (SVM – máquina de vetores de suporte) é um método definido por 
um hiperplano (plano em mais de duas dimensões) ou um conjunto destes que pode ser utilizado 
tanto para classificação como para regressão (HEARST et al., 1998). Sua ideia fundamental é 
criar “margens” que separem os dados de classes diferentes e que estejam afastadas o máximo 
possível. Nesse processo de maximização, somente os dados que estão próximos dos limites das 
margens entre as classes serão utilizados. Esses dados (pontos) recebem o nome de “vetores de 
suporte”.
 
NAIVE BAYES
 
            Métodos de aprendizado bayesianos baseiam-se em um modelo probabilístico, no qual se 
assume um conhecimento prévio do problema, que é combinado com novos exemplos de 
treinamento, a fim de obter-se a probabilidade final de classificação (MCCALLUM, 1998). O 
algoritmo Naive Bayes (NB – Bayes ingênuo) é um método baseado em probabilidades, ou seja, 
na ocorrência de um evento dado que outro evento já ocorreu.
 
PERCEPTRON
 
            Perceptron é um algoritmo utilizado para classificadores binários (duas categorias, sim ou 
não, por exemplo). Seu funcionamento é baseado em um modelo matemático que busca imitar 
um neurônio biológico. Enquanto, nos neurônios reais, a troca de informações é feita por sinais 
elétricos, no Perceptron estes são representados por valores numéricos. Nas sinapses, os sinais 
elétricos são modulados em várias quantidades; no Perceptron, isso ocorre multiplicando cada 
valor de entrada por um valor chamado “peso”. Um neurônio real dispara um sinal de saída 
somente quando a força total dos sinais de entrada excede um certo limiar. Esse fenômeno, em 
um Perceptron, acontece quando a soma ponderada das entradas para representar a força total 
dos sinais de entrada e aplicando uma função de ativação na soma para determinar sua saída.
 
Figura 2 – Representação de um neurônio artificial simples. X são as informações de entrada no 
neurônio, que são ponderadas por pesos representados por W. O resultado sofre a ação de uma 
função de ativação f até alcançar o output final Y. Fonte: adaptada de Papa e Rosa (2019).
 
ÁRVORE DE DECISÃO
 
            A ideia básica portrás de uma árvore de decisão (decision tree – DT) é a quebra do 
problema em subproblemas mais simples (MURTHY, 1998). A cada nível que se desce, menor é 
o grupo pertencente àquele nó; sendo assim, recursivamente, se está mais próximo de classificar 
o nó como classe A ou B (SAFAVIAN; LANDGREBE, 1991). É uma abordagem de modelagem 
preditiva, composta por uma estrutura tipo fluxograma, em que cada nó interno representa um 
“teste” em um atributo, cada ramo representa o resultado do teste e cada nó-folha representa 
uma classe (decisão tomada após calcular todos os atributos) (QUINLAN, 1996).
 
RANDOM FOREST
 
         Random forest (floresta de decisão) é um método para classificação, regressão e outras 
tarefas que operam a partir de várias árvores de decisão no momento do treinamento (BREIMAN, 
2001). Esse método se baseia no princípio de que várias técnicas de aprendizagem combinadas 
(várias árvores) podem resultar em um modelo de aprendizagem robusto (BREIMAN, 1999).
 
DESENVOLVIMENTO DOS MODELOS
 
            Para realizar o desenvolvimento de todos os algoritmos, deve-se utilizar um método 
chamado de “validação cruzada” (cross validation), que é uma técnica para avaliar a capacidade 
de generalização de um determinado modelo a partir de um conjunto de dados (BROWNE, 2000). 
Essa técnica se baseia no particionamento do conjunto de dados em subconjuntos mutuamente 
exclusivos; posteriormente, esses subconjuntos são utilizados para estimação dos parâmetros do 
modelo (treinamento), e um conjunto é utilizado para validação do modelo (teste).
            Após o desenvolvimento de todos os modelos, pode-se gerar uma matriz de confusão, a 
fim de avaliar os erros e acertos apresentados pelos métodos. Diferentes métricas podem ser 
calculadas, como:
sensibilidade (taxa de verdadeiros positivos) = (VP / (VP + FN));1. 
especificidade (taxa de verdadeiros negativos) = (VN / (VN + FP));2. 
acurácia = (VP + VN / (VP + FN + FP + VN)).3. 
           
A figura a seguir representa um exemplo teórico de uma matriz de confusão:
 
Figura 3 – Matriz de confusão com suas respectivas classes. Fonte: adaptada de Andreoni 
(2014).
 
PRÉ-PROCESSAMENTO DO TEXTO
 
            O processo de limpeza e pré-processamento de um conjunto de dados de texto é 
composto por várias etapas. Para se tornar mais familiar com os métodos e terminologias, é 
recomendável ler alguns tutoriais da área de NLP (natural language processing). Resumidamente, 
esse processo inclui:
tokenização;1. 
limpeza dos dados;2. 
remoção de stopwords.3. 
           
O primeiro passo, a tokenização, conhecida como segmentação de palavras, quebra a sequência 
de caracteres em um determinado texto, identificando o limite de cada palavra, ou seja, onde uma 
termina e a outra começa (PALMER, 2010). Após isso, a remoção das stopwords, ou palavras de 
parada, consiste na remoção de palavras que são consideradas irrelevantes para o conjunto de 
dados e/ou problema-alvo; como exemplo, podem ser citadas: as, e, os, de, para, com, sem, foi. 
De maneira geral, a remoção das stopwords reduz o ruído dos dados analisados e melhora o 
desempenho do modelo de predição.
 
COMITÊ DE MÉTODO (ENSEMBLE LEARNING)
 
           Uma das estratégias para obter um resultado superior nos modelos de predição é a 
combinação de dois ou mais diferentes métodos. Esse processo é conhecido como “comitê de 
método” ou “ensemble learning”.
           Seu funcionamento ocorre da seguinte forma: primeiro, escolhem-se alguns métodos 
aplicáveis para o problema-alvo e desenvolvem-se os modelos individualmente; com o resultado 
da predição de cada modelo, pode-se criar um
segundo conjunto de dados e, nesse conjunto, aplicar um método que decida a categoria de cada 
ponto com base no resultado dos métodos utilizados.
 
Figura 4 – Representação do funcionamento de um comitê de método. Fonte: adaptada de 
Chavan (2019).
 
      Observe o exemplo na Figura 4: quatro diferentes métodos de predição foram aplicados para 
um determinado conjunto de dados; três deles resultaram em que a classe do ponto em questão 
é amarela, e somente uma é roxa; logo, o comitê de método determinará que a classe do ponto 
em questão é amarela.
 
REFERÊNCIAS BIBLIOGRÁFICAS
 
ANDREONI, M. An intrusion detection and prevention architecture for software defined 
networking. [S. l.]: [s. n.], 2014.
BREIMAN, L. Random forests. Machine learning, v. 45, n. 1, p. 5-32, 2001.
BREIMAN, L. Using adaptive bagging to debias regressions. [S. l.]: [s. n.], 1999.
BROWNE, M. W. Cross-validation methods. Journal of Mathematical Psychology, v. 44, n. 1, p. 
108-132, Mar. 2000.
CHAVAN, A. Improve machine learning results with ensemble learning. AI Time Journal, 2019. 
Disponível em: https://www.aitimejournal.com/@akshay.chavan/improve-machine-learning-results-
with-ensemble-learning. Acesso em: 11 jan. 2021.
DUDA, R.; STORK, D.; HART, P. Pattern classification. 2. ed. New York: Wiley-Interscience, 
2000.
HEARST, M. A. et al. Support vector machines. IEEE Intelligent Systems and their 
Applications, v. 13, n. 4, p. 18-28, July 1998.
KELLER, J. M.; GRAY, M. R.; GIVENS, J. A. A fuzzy K-nearest neighbor algorithm. IEEE 
Transactions on Systems, Man, and Cybernetics, v. SMC-15, n. 4, p. 580-585, July 1985.
MCCALLUM, A. et al. A comparison of event models for Naive Bayes text classification. In: AAAI-
98 WORKSHOP ON LEARNING FOR TEXT CATEGORIZATION, 1998, Madison. Proceedings 
[…]. Madison: ICML/AAAI-98, 1998. p. 41-48.
MURTHY, S. K. Automatic construction of decision trees from data: a multi-disciplinary survey. 
Data Mining and Knowledge Discovery, v. 2, n. 4, p. 345-389, 1998.
PALMER, D. D. Text preprocessing. In: INDURKHYA, N.; DAMERAU, F. J. Handbook of natural 
language processing. 2. ed. Boca Raton: Chapman and Hall/CRC, 2010.
PAPA, J. P.; ROSA, G. H. Apostila de tópicos especiais: aprendizado de máquina. São Paulo: 
Unifesp, 2019.
QUINLAN, J. R. Learning decision tree classifiers. ACM Computing Surveys, v. 28, n. 1, p. 71-
72, 1 Mar. 1996.
ROCHA, D. Introdução a machine learning: Knn. RPubs, 2019. Disponível em: 
https://rpubs.com/davimat/knn_no_r. Acesso em: 10 jan. 2021.
SAFAVIAN, S. R.; LANDGREBE, D. A survey of decision tree classifier methodology. IEEE 
Transactions on Systems, Man, and Cybernetics, v. 21, n. 3, p. 660-674, 1991.
Roteiro
 
 
INSTRUÇÕES GERAIS 
 
1. Neste experimento, você irá verificar as etapas necessárias para aplicar ferramentas de 
machine learning em textos de mensagens e a formação de um comitê de métodos.
2. Utilize a seção “Recomendações de Acesso” para melhor aproveitamento da experiência 
virtual e para respostas às perguntas frequentes a respeito do Laboratório Virtual.
3. Caso não saiba como manipular o Laboratório Virtual, utilize o “Tutorial” presente neste 
Roteiro.
4. Caso já possua familiaridade com o Laboratório Virtual, você encontrará as instruções para 
realização desta prática na subseção “Procedimentos”.
5. Ao finalizar o experimento, responda aos questionamentos da seção “Avaliação dos 
Resultados”.
 
 
RECOMENDAÇÕES DE ACESSO
 
DICAS DE DESEMPENHO
Para otimizar a sua experiência no acesso aos laboratórios virtuais, siga as seguintes dicas de 
desempenho:
Feche outros aplicativos e abas: Certifique-se de fechar quaisquer outros aplicativos ou 
abas que possam estar consumindo recursos do seu computador, garantindo um 
desempenho mais eficiente.
•
Navegador Mozilla Firefox: Recomendamos o uso do navegador    Mozilla Firefox, 
conhecido por seu baixo consumo de recursos em comparação a outros navegadores, 
proporcionando uma navegação mais fluida.
•
Aceleração de hardware: Experimente habilitar ou desabilitar a aceleração de hardware no 
seu navegador para otimizar o desempenho durante o acesso aos laboratórios virtuais.
•
Requisitos mínimos do sistema: Certifique-se de que seu computador atenda aos 
requisitos mínimos para acessar os laboratórios virtuais. Essa informação está disponível em 
nossa Central deSuporte.
•
Monitoramento do sistema: Utilize o Gerenciador de Tarefas (Ctrl + Shift + Esc) para 
verificar o uso do disco, memória e CPU. Se estiverem em 100%, considere fechar outros 
aplicativos ou reiniciar a máquina para otimizar o desempenho.
•
Teste de velocidade de internet: Antes de acessar, realize um teste de velocidade de 
internet para garantir uma conexão estável e rápida durante o uso dos laboratórios virtuais.
•
Atualizações do navegador e sistema operacional: Mantenha seu navegador e sistema 
operacional atualizados para garantir compatibilidade e segurança durante o acesso aos 
laboratórios.
•
 
 
PRECISA DE AJUDA?
 
Em caso de dúvidas ou dificuldades técnicas, visite nossa Central de Suporte para encontrar 
artigos de ajuda e informações para usuários. Acesse a Central de Suporte através do link: 
https://suporte-virtual.algetec.com.br
Se preferir, utilize os QR Codes abaixo para entrar em contato via WhatsApp ou ser direcionado 
para a Central de Suporte. Estamos aqui para ajudar! Conte conosco!
https://www.mozilla.org/pt-BR/firefox/new/
https://suporte-virtual.algetec.com.br/
https://suporte-virtual.algetec.com.br/
https://suporte-virtual.algetec.com.br/
https://suporte-contato.algetec.com.br/
https://suporte-virtual.algetec.com.br/
                                 
 
 
DESCRIÇÃO DO LABORATÓRIO
 
 
PROCEDIMENTOS
 
1. COMPREENDENDO AS ETAPAS
 
 Visualize os dados. Em seguida, compreenda os processos de limpeza dos dados, remoção de 
stopwords e tokenização. 
 
2. REALIZANDO A DIVISÃO DE DADOS
 
Nessa etapa, você entenderá os conceitos de underfitting e overfitting. Logo depois, selecione as 
porcentagens de dados de treino e dados de teste.
 
3. MONTANDO O COMITÊ DE MÉTODOS
 
Conheça os métodos KNN, Naive Bayes e Random Forest. Logo depois, selecione o método ou 
os métodos que deseja treinar. Por fim, colete os resultados.
 
4. AVALIANDO OS RESULTADOS
https://suporte-contato.algetec.com.br/
https://suporte-virtual.algetec.com.br/
 
Siga para a seção “Avaliação dos Resultados” e responda de acordo com o que foi observado 
nos experimentos, associando também com os conhecimentos aprendidos sobre o tema.
 
 
 
AVALIAÇÃO DOS RESULTADOS
 
 
1.     Qual é a importância no pré-processamento de dados ao utilizar Machine Learning?
 
 
 
2.      Quais cuidados devem ser tomados ao definir a massa de dados que será utilizada para 
treino e para teste?
 
 
 
3.    Cite algumas vantagens da utilização do comitê de métodos para aplicações em Machine 
Learning. Qual a implicação de não seguir o tempo recomendado em cada corante?
 
 
TUTORIAL
 
1. COMPREENDENDO AS ETAPAS
 
Após ler as informações, visualize os dados clicando com o botão esquerdo do mouse no botão 
“OK”.
 
 
Mude a página clicando com o botão esquerdo do mouse no botão “Próximo”.  
 
 
 
Após ler as informações, visualize os dados clicando com o botão esquerdo do mouse no botão 
“OK”.
 
Mude para a página de remoção de stopwords clicando com o botão esquerdo do mouse no 
botão “Próximo”. Note que a qualquer momento é possível voltar a página e revisitar o passo 
anterior clicando com o botão esquerdo do mouse no botão “Anterior”.
 
 
Após ler as informações, visualize os dados clicando com o botão esquerdo do mouse no botão 
“OK”.
 
Mude a página clicando com o botão esquerdo do mouse no botão “Próximo”. 
 
 
Após ler as informações, visualize os dados clicando com o botão esquerdo do mouse no botão 
“OK”.
 
Mude a página clicando com o botão esquerdo do mouse no botão “Próximo”. 
 
 
Após ler as informações, visualize os dados clicando com o botão esquerdo do mouse no botão 
“OK”.
 
Mude a página clicando com o botão esquerdo do mouse no botão “Próximo”. 
 
2. REALIZANDO A DIVISÃO DE DADOS
 
Após ler as informações, visualize os dados clicando com o botão esquerdo do mouse no botão 
“OK”.
 
 
Mude a página clicando com o botão esquerdo do mouse no botão “Próximo”. 
 
Movimente a barra clicando e segurando com o botão esquerdo do mouse e a arraste-a para a 
direção desejada.
 
 
Após ler as informações, visualize os dados clicando com o botão esquerdo do mouse no botão 
“OK”.
 
Mude a página clicando com o botão esquerdo do mouse no botão “Próximo”. 
 
 
Após ler as informações, visualize os dados clicando com o botão esquerdo do mouse no botão 
“OK”.
 
3. MONTANDO O COMITÊ DE MÉTODOS
 
Selecione os algoritmos que você deseja utilizar clicando com o botão esquerdo do mouse nos 
marcadores indicados.
 
 
Ao selecionar um algoritmo, será aberta uma explicação sobre ele. Leia-a e clique na seta 
indicada para prosseguir.
 
Mude a página clicando com o botão esquerdo do mouse no botão “Próximo”. 
 
 
Visualize os resultados obtidos. Finalize a prática clicando com o botão esquerdo do mouse no 
botão "Próximo".
 
4. AVALIANDO OS RESULTADOS
 
Siga para a seção “Avaliação dos Resultados”, neste roteiro, e responda de acordo com o que foi 
observado nos experimentos.
Pré Teste
1) 
Este processo faz parte do pré-processamento de dados realizado nas etapas iniciais de um 
pipeline de PLN. Ao se montar um bag-of-words, por exemplo, a maior frequência de 
palavras será de stopwords, pois são utilizadas o tempo todo para dar sentido ao texto. 
Portanto, remover stopwords reduz o ruído dos dados analisados.
Durante o pré-processamento de uma base de dados textual, uma das etapas normalmente é 
a remoção de stopwords. Qual é a sua definição?
A) Palavras relevantes para o conjunto de dados;
B) Substantivos e verbos presentes no texto; 
C) Palavras irrelevantes para o conjunto de dados. 
2) 
KNN é um método não paramétrico, utilizado para classificação e regressão (KELLER; GRAY; 
GIVENS, 1985). Faz parte da classe dos algoritmos supervisionados, aqueles que utilizam 
uma informação na entrada e uma na saída para rotular novos exemplos.
Como funciona o classificador baseado no método KNN (K-nearest neighbors)?
A) Seu conceito se baseia em criar divisões entre os dados, de forma que as diferentes classes 
possam ser separadas; 
B) Seu conceito se baseia em verificar quantos exemplos pertencem a cada classe em todo o 
conjunto de dados. O novo ponto é classificado com base na classe com mais exemplos; 
C) Seu conceito se baseia em encontrar os k exemplos mais próximos (vizinhos) do ponto a ser 
classificado. 
3) 
Um conjunto de dados é definido como uma coleção de informações normalmente 
tabuladas. Para cada elemento, se indicam várias características ou variáveis, representadas 
por uma coluna. Cada linha corresponde a um determinado membro do conjunto. Cada valor 
é conhecido como uma informação. O conjunto de dados pode incluir um ou mais membros, 
de acordo com o número de linhas.
Podem se encontrar dois tipos de conjuntos de dados, estruturados e não estruturados. Em 
que eles diferem?
A) Dados não estruturados estão contidos em uma estrutura definida, enquanto dados 
estruturados são informações sem um padrão ou organização;
B) Dados estruturados podem ser caracterizados por arquivos de diversos tipos: textos, imagens, 
vídeos, entre outros; 
C) Dados estruturados têm uma estrutura definida, enquanto dados não estruturados são 
informações sem um padrão. 
4) 
O Perceptron é um algoritmo utilizado para classificadores binários (duas categorias, sim ou 
não, por exemplo). Seu funcionamento é baseado em um modelo matemático que busca 
imitar um neurônio biológico. Enquanto nos neurônios reais a troca de informações é feita 
por sinais elétricos, no Perceptron estes são representados por valores numéricos.
Quais são os componentes presentes no Perceptron?
A) Sinal de entrada, função exponencial, pesos e sinal de saída; 
B) Sinal de entrada, pesos, função de ativação e sinal de saída;
C) Sinal de entrada, pesos, função de segundo grau e sinal de saída.
5) 
Uma matriz de confusão é uma tabela que indica os erros e acertos de seu modelo, 
comparando com o resultado esperado(ou etiquetas/labels). Ao ser feita a contagem de 
todos esses termos, obtendo-se a matriz de confusão, é possível calcular métricas de 
avaliação para a classificação. Cada métrica tem suas peculiaridades, que devem ser levadas 
em consideração na escolha da forma como o modelo de classificação será avaliado.
Normalmente, para verificar a qualidade do modelo de predição, são utilizadas métricas 
calculadas a partir da matriz de confusão. Por que a acurácia, sozinha, pode não ser um bom 
indicador?
A) Independentemente de qualquer métrica, a acurácia pode determinar a qualidade do modelo 
baseada somente nos acertos observados; 
B) A acurácia não deve ser utilizada sozinha, por não levar em consideração a quantidade de 
acertos do modelo de predição; 
C) A acurácia não deve ser utilizada sozinha, pois pode mascarar problemas como o 
desbalanceamento da classe desfecho; nesse caso, o modelo pode apresentar uma alta 
acurácia, mas acerta somente uma das classes. 
Experimento
Acesse o laboratório:
Conteúdo interativo disponível na plataforma de ensino!
Pós Teste
1) A tarefa é encontrar uma função a partir de dados de treinamento rotulados. O objetivo é 
encontrar os parâmetros ótimos que ajustem um modelo que possa prever rótulos 
desconhecidos em outros objetos (o conjunto de teste). Se o rótulo é um número real, a 
tarefa chama-se "regressão". Se o rótulo vem de um conjunto finito e não ordenado, então a 
tarefa chama-se " classificação". 
Que tipo de algoritmo de aprendizado de máquina faz previsões quando você tem um 
conjunto de dados de entrada e conhece as respostas possíveis?
A) Aprendizado não supervisionado;
B) Aprendizado supervisionado;
C) Deep learning.
2) Os modelos de aprendizado supervisionado em que são necessárias uma informação de 
entrada e uma de saída se dividem em duas subcategorias, de acordo com sua aplicação em 
regressão e classificação. 
O que um modelo de classificação faz?
A) Prevê respostas em números contínuos, como peso, altura ou valores financeiros;
B) Compara classificações de dados previstas com os rótulos de classe reais nos dados;
C) Atribui dados a uma categoria predefinida.
3) Overfitting e underfitting são as duas maiores causas de má generalização dos algoritmos de 
aprendizado de máquina. Os dados usados para construir um modelo são, em geral, divididos 
em três conjuntos: treinamento, validação e teste. Caso exista um desbalanceamento nesse 
ajuste, pode-se deparar com um desses eventos. 
Levando em consideração o exposto, quando ocorre o overfitting?
A) Quando um modelo preditivo é preciso, mas leva muito tempo para ser executado;
B) Quando o modelo aprende detalhes dos dados de treinamento que não podem ser 
generalizados para um conjunto de dados maior;
C) Quando se executa o ajuste de hiperparâmetros e se aumenta o desempenho.
4) Pode-se utilizar uma tabela para calcular os erros e acertos de um modelo, comparando com 
o resultado esperado (ou etiquetas/labels). Ao ser feita a contagem de todos esses termos, é 
possível calcular métricas de avaliação para a classificação. 
Que tipo de tabela compara as classificações previstas pelo modelo com os rótulos de classe 
reais?
A) Histograma;
B) Matriz de confusão;
C) Gráfico residual.
5) A divisão dos dados em teste e treino é um procedimento rápido e fácil de se executar, 
podendo ser aplicado na maioria dos modelos de predição. Não deve ser utilizado apenas em 
poucos casos, como em pequenos conjuntos de dados e situações em que configuração 
adicional é necessária, como quando é usado para classificação e o conjunto de dados não 
está balanceado. 
Por que é necessário dividir os dados em teste e treino?
A) Para avaliar a capacidade de generalização do modelo;
B) Para definir qual método de aprendizado de máquina se deve utilizar;
C) Para aumentar o desempenho do modelo escolhido.