TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL

Prévia do material em texto

ROTEIRO DE AULA PRÁTICA 
NOME DA DISCIPLINA: 
TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
INTRODUÇÃO 
 
 
A elaboração deste texto permite a aplicação prática dos conhecimentos teóricos 
adquiridos ao longo do semestre, preparando o aluno para sua futura carreira 
profissional e proporcionando uma experiência prática significativa. 
Mediante a redação deste relatório, são expostas as informações referentes à 
Inteligência Artificial. Essa ação visa reforçar a fixação do conhecimento e tem 
como objetivo apresentar conceitos e fundamentos relacionados a diversos 
aspectos da disciplina, destacando características de temas relevantes em áreas 
específicas de atuação. O desenvolvimento de software engloba o processo de 
idealização, especificação, planejamento, codificação, documentação, teste e 
solução de problemas inerentes à criação e manutenção de aplicativos, sistemas 
ou outros elementos. 
Há várias etapas envolvidas no desenvolvimento de software, embora haja 
algumas tarefas fundamentais que são compartilhadas pela maioria dos processos 
existentes. Portanto, é importante que o futuro engenheiro de software esteja 
sempre atualizado com os conceitos e tecnologias em evolução, por meio de 
estudos contínuos. Neste documento, serão apresentados os conhecimentos 
adquiridos ao longo deste período, de forma a demonstrar as habilidades 
desenvolvidas e aprimoradas durante este semestre. 
 
 
 
 
 
 
 
 
 
RELATÓRIO 
 
Vamos começar falando da plataforma Weka, que oferece uma grande variedade 
de algoritmos de aprendizado de máquina para classificação, regressão, clusterin
g e visualização de dados. Weka é uma plataforma muito flexível e extensível, 
com uma comunidade ativa de desenvolvedores e usuários que continuam a 
expandir a funcionalidade da plataforma. Por exemplo, é possível estender a 
plataforma adicionando novos algoritmos de aprendizado de máquina. 
Sua interface gráfica intuitiva e variedade de algoritmos predefinidos tornam-
no uma plataforma acessível para usuários de todos os níveis. 
 
A interface gráfica do usuário (gui) do Weka é fácil de usar e permite aos usuários
 selecionar e executar diferentes algoritmos, realizar análises exploratórias de 
dados, visualizar resultados e comparar diferentes modelos. Além disso, possui 
extensa documentação e uma comunidade ativa de usuários e desenvolvedores, 
facilitando o aprendizado e a utilização da plataforma por novos usuários. 
 
Outra característica importante do Weka é sua capacidade de trabalhar com difer
entes tipos de dados, incluindo dados estruturados e não estruturados. O suporte 
de diferentes formatos de arquivo, entre outros, é frequentemente utilizado em co
mbinação com outras ferramentas de processamento de dados, como R e Python,
 para obter melhores resultados. 
 
Resumindo, Weka é uma plataforma poderosa e abrangente para análise de dado
s e aprendizado de máquina. É amplamente utilizado em diversas áreas, como bi
oinformática, finanças, entre outras... Recomendado para uso por usuários iniciant
es e avançados que desejam explorar e aplicar técnicas de aprendizado de máqui
na aos seus dados. 
 
 
 
ATIVIDADE 
 
Inicialmente foi criado o primeiro código, conforme solicita 
 
Conforme proposto no curso prático, a análise avaliativa de um modelo de rede 
neural foi realizada com o aplicativo Weka. A base de dados “diabetes.arff” foi 
utilizada conforme instruções do documento disponibilizado pela faculdade. 
Iniciando o teste, podemos ver o gráfico inicial, após abrir o arquivo dentro do 
Weka. Aqui podemos visualizar o banco de dados que conforme apresentado no 
documento, possui 9 atributos (colunas) com um total de 768 instâncias (linhas). 
Ao selecionar a opção "Visualize All", pudemos observar a distribuição das 
variáveis presentes nessa base de dados. 
 
 
A partir disso iniciou-se análise dos dados, que serão realizados em duas etapas, 
sendo na primeira utilizada a opção “Use training set” para se ter os primeiros 
dados para análise. 
Após o start, o retorno da imagem da rede neural foi a seguinte 
 
 
 
 
 
 
 
 
Na tela Classifier Output estarão os dados que iremos comparar, que são o 
“Root mean squared error” e “Confusion Matrix” como a seguir: 
 
 
No segundo teste aplicou-se a divisão percentual de 75% para treinamento e o 
restante do teste. A rede neural utilizando os 75%: 
 
E na tela Classifier Output vamos verificar os novos dados, para comparação com 
o anterior: 
 
 
RESULTADO DA ANÁLISE 
 
 
ANÁLISE 1 : 
 
Comparando os dados apresentados, vemos que no exemplo 1 onde fora 
utilizado o “Use training set”, o Root mean squared error (RMSE) foi baixo. 
Analisando vemos que os dados foram positivos, porém ao verificar a Confusion 
Matrix, esta apresentou número significativo de classificação errôneas, em 
especial para a classe de testes positivos. 
 
ANÁLISE 2: 
Mudando para Percentage Split com 75% dos dados, observou-se desempenho 
pior, causado pela divisão de dados, prejudicando a capacidade de generalização, 
porém mesmo que o Root mean squared error (RMSE) esteja mais elevado do 
que o do exemplo 1, podemos considerar que ele ainda está relativamente baixo.