RESOLUÇÃO - (032 99116 - 4945) - ROTEIRO DE AULA PRÁTICA - MACHINE LEARNING I

Prévia do material em texto

Roteiro 
Aula Prática 
 
 
 
 
 
 
 
 
 
 
 
 
 
MACHINE LEARNING I 
ROTEIRO DE AULA PRÁTICA 
 
NOME DA DISCIPLINA: MACHINE LEARNING I 
 
 
Unidade: U4 _ REGRESSÃO E CLASSIFICAÇÃO POR MODELOS LINEARES E NÃO 
LINEARES. ALGORITMOS DE APRENDIZAGEM SUPERVISIONADA. 
Aula: A4_APRENDIZAGEM SUPERVISIONADA 
Tempo previsto de execução de aula prática: 2h 
 
OBJETIVOS (campo obrigatório – exibição para todos) 
Definição dos objetivos da aula prática: 
Compreender os conceitos e aplicações de aprendizado supervisionado 
 
INFRAESTRUTURA (OBRIGATÓRIO SE HOUVER – EXIBIÇÃO DOCENTE/TUTOR) 
Instalações – Materiais de consumo – Equipamentos: 
NOME DO LABORATÓRIO 
Materiais de consumo: https://colab.google/ 
NOME DO LABORATÓRIO 
Equipamentos: NSA 
 
SOLUÇÃO DIGITAL (OBRIGATÓRIO SE HOUVER - APARECER PARA TODOS) 
Infraestrutura mínima necessária para execução. 
NSA 
 
 
 
EQUIPAMENTO DE PROTEÇÃO INDIVIDUAL (EPI) (CAMPO OBRIGATÓRIO – APARECER 
PARA TODOS) 
NSA 
 
 
 
PROCEDIMENTOS PRÁTICOS (OBRIGATÓRIO – TODOS) 
Procedimento/Atividade nº 1 (Físico) 
 
 
 
2 
https://colab.google/
Atividade proposta: 
Você trabalha como cientista de dados em uma empresa de tecnologia que está desenvolvendo 
um sistema de reconhecimento de dígitos manuscritos. Seu objetivo é construir e treinar um 
modelo de Multilayer Perceptron (MLP) usando TensorFlow para classificar dígitos manuscritos 
do conjunto de dados MNIST. 
 
Procedimentos para a realização da atividade: 
Link do vídeo ilustrativo da aula: (NÃO OBRIGATÓRIO – APARECER QUANDO 
DISPONÍVEL) 
Qualquer ajuste ou alteração do procedimento poderá ocorrer, sem qualquer prejuízo na 
realização da aula prática. (COMENTÁRIO SERÁ APRESENTADO APENAS NO RAP DO 
ALUNO) 
Procedimentos para a Realização da Atividade: 
1. Importar Bibliotecas e Carregar Dados: 
Importar as bibliotecas necessárias. 
Carregar o conjunto de dados MNIST. 
 
import tensorflow as tf 
from tensorflow.keras.datasets import mnist 
from tensorflow.keras.utils import to_categorical 
import matplotlib.pyplot as plt 
 
# Carregar o conjunto de dados MNIST 
(X_train, y_train), (X_test, y_test) = mnist.load_data() 
 
2. Preparar os Dados: 
Normalizar os dados para melhorar o desempenho do modelo. 
Converter os rótulos para uma representação categórica. 
 
3. Construir o Modelo MLP: 
Definir a arquitetura do modelo usando camadas densas. 
4. Treinar o Modelo: 
Treinar o modelo com os dados de treinamento. 
5. Avaliar o Modelo: 
Avaliar a precisão do modelo com os dados de teste. 
6. Fazer Previsões: 
Usar o modelo para fazer previsões com novos dados e visualizar alguns 
resultados. 
 
Checklist: 
 
3 
1) Importar bibliotecas e carregar os dados de MNIST. 
2) Normalizar os dados de entrada. 
3) Converter os rótulos para uma representação categórica. 
4) Definir a arquitetura do modelo MLP. 
5) Compilar o modelo. 
6) Treinar o modelo. 
7) Avaliar a precisão do modelo. 
8) Fazer previsões e visualizar resultados. 
 
Resultado do experimento (Gabarito): (não obrigatório – aparecer apenas para 
professor/tutor) 
 
 
Procedimento/Atividade nº 1 (Virtual) 
 
 
 
Atividade proposta: 
 
Procedimentos para a realização da atividade: 
Link do vídeo ilustrativo da aula: (NÃO OBRIGATÓRIO – APARECER QUANDO 
DISPONÍVEL) 
Qualquer ajuste ou alteração do procedimento poderá ocorrer, sem qualquer prejuízo na 
realização da aula prática. (COMENTÁRIO SERÁ APRESENTADO APENAS NO RAP DO 
ALUNO) 
 
 
Checklist: 
 
Resultado do experimento (Gabarito): (não obrigatório – aparecer apenas para 
professor/tutor) 
 
 
RESULTADOS (obrigatório – aparecer para todos) 
Resultados de Aprendizagem: 
Compreender e aplicar os conceitos de aprendizado supervisionado. 
 
 
4 
ESTUDANTE, VOCÊ DEVERÁ ENTREGAR (não obrigatório – aparecer para todos) 
Descrição orientativa sobre a entregada da comprovação da aula prática: 
Entrega de um print da tela do Google Colab 
 
 
REFERÊNCIAS BIBLIOGRÁFICAS (não obrigatório – aparecer para todos) 
Descrição (em abnt) das referências utilizadas 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
5