(31)994408961- RESOLVIDO-Aula Pratica Redes Neurais e Deep Learning

Prévia do material em texto

Roteiro Aula Prática
REDES NEURAIS E DEEP LEARNING
ROTEIRO DE AULA PRÁTICA
NOME DA DISCIPLINA: Redes Neurais e Deep Learning
OBJETIVOS
Construir um modelo preditivo utilizando redes neurais com o TensorFlow na linguagem Python.
Definição dos objetivos da aula prática:
INFRAESTRUTURAComputador	1 por aluno
Materiais de consumo:
Instalações:
Google Colaboratoty (Colab)
https://colab.research.google.com
*Não é necessário instalação. Software online de acesso gratuito.
Descrição
Quantidade de materiais por procedimento/atividade
Software:O Google Colaboratory (Colab) é um serviço de nuvem gratuito hospedado pelo próprio Google para incentivar a pesquisa de Aprendizado de Máquina e Inteligência Artificial. É uma ferramenta que permite que a mistura de código fonte (geralmente em python) e texto (rich text) com imagens e o resultado desse código; uma técnica conhecida como: notebook (“caderno”, em português). Os notebooks podem ser compartilhados com outros programadores, modificados a quaisquer momentos e mantidos salvos de maneira totalmente online.
- NSA
Equipamento de Proteção Individual (EPI):
	Sim ( X ) Não ( )
	Em caso afirmativo, qual?
	Pago ( ) Não Pago ( X )
	Tipo de Licença: Freeware
	Descrição do software:
	
PROCEDIMENTOS PRÁTICOS
Elaboração de um modelo preditivo com redes neurais e deep learning utilizando o TensorFlow no Google Colab.
Atividade proposta:
2
· Elaborar um modelo preditivo utilizando redes neurais com o TensorFlow para calcular a conversão de valores de temperatura em Celsius para Fahrenheit na plataforma Google Colab.
· Apresentar como saída as estatísticas do treinamento e uma tabela comparativa de valores calculados pelo modelo e valores reais.
Procedimentos para a realização da atividade:
Sabemos que o TensorFlow é uma biblioteca de código aberto que utiliza redes neurais para aprendizado de máquina, computação numérica e muitas outras tarefas. Foi desenvolvido pelo Google em 2015 e rapidamente se tornou uma das principais ferramentas para machine learning e deep learning!
Qualquer pessoa pode utilizar o TensorFlow gratuitamente, e nesta atividade você irá utilizá-lo no Google Colab, uma ferramenta totalmente online e muito simples de utilizar!
O objetivo desta atividade é a criação de um modelo preditivo utilizando redes neurais com o TensorFlow para calcular a conversão de valores de temperatura em Celsius para Fahrenheit.
Mas antes, vamos relembrar alguns conceitos fundamentais. Para isso, observe a figura a seguir:
No modelo de computação tradicional, esta finalidade é atingida facilmente pois sabemos exatamente a fórmula de conversão de temperaturas. Portanto, para quaisquer dados de entrada (input), aplicamos a fórmula F = C*1.8 + 32 (lógica computacional) e obtemos uma saída (output). Mas não é este o objetivo da atividade.
Já no modelo de computação com Machine Learning, nós partimos de um conjunto de dados de treinamento com os valores de entrada (input) e os valores de saída esperados (output), para que então o modelo possa ser treinado para descobrir qual a fórmula que relaciona os pares do conjunto de dados, neste caso, a conversão de uma temperatura em Celsius para Fahrenheit (lógica). E assim, podermos calcular (prever) qualquer valor em Fahrenheit a partir de um valor dado em Celsius. De modo geral e mais “simplificado” para o entendimento, a rede neural vai tentar encontrar a relação numérica entre os inputs e outputs por tentativas e erros até que chegue em um valor que faça sentido, chegando então no modelo treinado para fazer a predição de novos valores!
3
Agora, vamos à atividade:
Elabore um modelo preditivo simples utilizando redes neurais com o TensorFlow para calcular a conversão de valores de temperatura em Celsius para Fahrenheit na plataforma Google Colab.
Se atente às seguintes instruções:
· Utilize os seguintes dados de treinamento:
o Celsius: -40, -10, 0, 8, 15, 22, 38
o Fahrenheit: -40, 14, 32, 46.4, 59, 71.6, 100
· Após o treinamento do modelo, realize o plot do gráfico com as estatísticas (histórico) de treinamento, relacionando o número de ciclos/épocas (Epoch) com os valores de perda (Loss).
· Por fim, teste o modelo com outras 10 temperaturas em Celsius que preferir (diferentes da entrada), e construa uma tabela comparando o valor de saída do modelo preditivo com o valor real obtido pelo uso da fórmula de conversão padrão.
Checklist:
· Preparação do ambiente de desenvolvimento no Google Colab.
· Treinamento do modelo com o conjunto de dados treinamento fornecidos.
· Plotagem do gráfico com as estatísticas de treinamento.
· Tabela comparativa dos valores do modelo preditivo com os valores reais.
	RESULTADOS
	Resultados da aula prática:
	Entregar um arquivo no formato de notebook do Google Colab (formato “.ipynb”), contento: o código do modelo de treinamento; textos comentando e explicando todas as etapas fundamentais do processo; e as respectivas saídas solicitadas nas instruções da atividade.
4
image6.png
image7.png
image8.png
image9.png
image10.png
image11.png
image12.png
image13.png
image1.png
image2.png
image3.png
image4.png
image5.png