1 6) Construção e Treinamento da Rede Neural Definição do Modelo (MLP Simples) Vamos construir uma Rede Neural com uma camada-stamped

Prévia do material em texto

(99) 99119-3171 
 (99) 99119-3171 
 
Olá!!! Somos da Assessoria Excellence Educacional e iremos te ajudar 
com este trabalho! Entre em contato conosco! 
 
MAPA - EMCA - INTELIGÊNCIA ARTIFICIAL PARA 
AUTOMAÇÃO - 53_2025 
 
 
 
 
MAPA - EMCA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53_2025 
 
Mapa – Inteligência Artificial para Automação 53/2025 
 
p01w
 
 
 
Dicas Iniciais para elaboração da atividade Mapa: veja o vídeo explicativo da atividade 
Mapa postado no fórum. 
Uma empresa que fabrica Componentes possui um processo manual de separação de dois 
tipos de componentes eletrônicos cruciais (sendo eles resistores e capacitores), que são 
visualmente semelhantes em alguns aspectos, mas de formatos distintos, está causando 
erros e lentidão na linha de produção. 
Você, como Engenheiro responsável pela linha de produção, está encarregado de 
desenvolver um sistema para automatizar essa classificação. Como primeira fase, a ideia é 
construir uma Rede Neural Artificial que aprenda a diferenciar esses componentes com 
base em características geométricas básicas. 
Para realização, você recebe um conjunto de dados (que será gerado em ambiente de 
programação) simplificado com duas características geométricas artificiais que um sensor 
de visão básico pode extrair: "Proporção Largura/Altura" e "Circularidade" (um valor que 
indica o quão "redondo" é o objeto). O objetivo é treinar uma Rede Neural Simples para 
classificar se o componente é um "Resistor Quadrado" (Classe 0) ou um "Capacitor 
Redondo" (Classe 1). 
Passos para realização da atividade: 
Observação: Os códigos para auxílio se encontra no fórum junto ao vídeo explicativo da 
atividade Mapa. 
Geração e visualização de Dados no ambiente Colab em linguagem Python. 
1.1) Importar as Bibliotecas. 
 
1.2) Gerar Dados Sintéticos (para simular um conjunto maior) 
Gerar 100 resistores e 100 capacitores. 
p01w
 
 
 
 
1.3) Visualização de dados 
 
1.4) Normalização (Escalonamento) dos Dados: Redes Neurais funcionam melhor quando 
as features de entrada estão em uma escala semelhante. 
 
1.5) Divisão em Conjuntos de Treino e Teste: É crucial dividir os dados para treinar o 
modelo em uma parte e testá-lo em dados que ele "nunca viu" antes. 
 
1.6) Construção e Treinamento da Rede Neural: Definição do Modelo (MLP Simples): 
Vamos construir uma Rede Neural com uma camada de entrada (implícita), uma camada 
oculta e uma 
camada de saída. 
p01w
 
 
 
 
1.7) Compilação do Modelo: Definimos o otimizador, a função de perda e as métricas. 
 
1.8) Faça o Treinamento do Modelo para 50 epochs. 
 
1.9) Avaliar no conjunto de testes 
 
1.10) Previsão e Matriz de confusão 
 
Com base no passo a passo e os dados coletados, responda: 
1) Com base no gráfico (apresente o gráfico gerado), se as duas classes são facilmente 
separáveis ou se há alguma sobreposição. O que isso implica para o desafio da Rede 
Neural? 
2) Expliquem com suas palavras por que a normalização (ou escalonamento) dos dados de 
entrada é uma etapa importante para treinar Redes Neurais. 
3) Interprete o resultado da acurácia e a matriz de confusão. O que significam os números 
na matriz? Quais são os "Falsos Positivos" e "Falsos Negativos" neste contexto e qual o 
impacto deles na linha de produção dos componentes? 
 
p01w
 
 
 
 
MAPA - EMCA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53_2025 
 
Mapa – Inteligência Artificial para Automação 53/2025 
 
MAPA - EMCA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53_2025 
 
MAPA - EMCA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53_2025 
 
Mapa – Inteligência Artificial para Automação 53/2025 
 
MAPA - EMCA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53_2025 
 
MAPA - EMCA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53_2025 
 
Mapa – Inteligência Artificial para Automação 53/2025 
 
MAPA - EMCA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53_2025 
 
MAPA - EMCA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53_2025 
 
Mapa – Inteligência Artificial para Automação 53/2025 
 
 
p01w