{"id":24270722,"url":"https://github.com/valmir-unicap/inteligencia-artificial","last_synced_at":"2026-04-09T16:03:51.382Z","repository":{"id":265239206,"uuid":"895554082","full_name":"Valmir-unicap/Inteligencia-Artificial","owner":"Valmir-unicap","description":"Disciplina de Inteligência Artificial","archived":false,"fork":false,"pushed_at":"2024-12-07T19:39:58.000Z","size":890,"stargazers_count":0,"open_issues_count":0,"forks_count":0,"subscribers_count":1,"default_branch":"main","last_synced_at":"2025-01-15T16:58:56.692Z","etag":null,"topics":["linear-regression","logistic-regression","matplotlib","numpy","pandas","python","tensorflow"],"latest_commit_sha":null,"homepage":"","language":"Jupyter Notebook","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/Valmir-unicap.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null}},"created_at":"2024-11-28T12:30:10.000Z","updated_at":"2024-12-18T16:45:17.000Z","dependencies_parsed_at":null,"dependency_job_id":"07c1c901-73c8-47c6-b8ca-f96f07e039f2","html_url":"https://github.com/Valmir-unicap/Inteligencia-Artificial","commit_stats":null,"previous_names":["valmir-unicap/inteligencia-artificial"],"tags_count":0,"template":false,"template_full_name":null,"repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/Valmir-unicap%2FInteligencia-Artificial","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/Valmir-unicap%2FInteligencia-Artificial/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/Valmir-unicap%2FInteligencia-Artificial/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/Valmir-unicap%2FInteligencia-Artificial/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/Valmir-unicap","download_url":"https://codeload.github.com/Valmir-unicap/Inteligencia-Artificial/tar.gz/refs/heads/main","host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":241969791,"owners_count":20050576,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2022-07-04T15:15:14.044Z","host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":["linear-regression","logistic-regression","matplotlib","numpy","pandas","python","tensorflow"],"created_at":"2025-01-15T16:54:42.685Z","updated_at":"2026-04-09T16:03:51.341Z","avatar_url":"https://github.com/Valmir-unicap.png","language":"Jupyter Notebook","funding_links":[],"categories":[],"sub_categories":[],"readme":"# Inteligência Artificial\n\n## Disciplina de Inteligência Artificial\n\n### Lista Computacional – Inteligência Artificial\n\n#### Parte 1: Regressão Simples (Regressão Linear e Redes Neurais) – 10%\n\nUtilize a base de dados \"Boston Housing\" disponível no UCI Machine Learning Repository (ver\ncódigo no final deste documento). Ela contém informações sobre preços de imóveis em Boston\ne variáveis preditoras relevantes.\n\n**Objetivo:** Prever o preço médio dos imóveis em uma área com base em uma única variável\npreditora.\n\n**Etapas da Atividade:**\n1. Carregue e analise os dados para entender a distribuição das variáveis.\n2. Escolha uma variável preditora para realizar a regressão (exemplo: \"número de\nquartos\").\n3. Treine um modelo de regressão linear para prever o preço médio dos imóveis.\n4. Treine um modelo de rede neural (com uma única camada oculta) para prever o preço\nmédio dos imóveis.\n5. Compare os resultados utilizando métricas como erro absoluto médio (MAE) e erro\nquadrático médio (MSE).\n\n#### Parte 2: Classificação Binária (Regressão Logística e Redes Neurais) – 10%\n\nBase de Dados Sugerida: Utilize a base de dados \"Pima Indians Diabetes\" também disponível no\nUCI Machine Learning Repository (ver código no final deste documento). Ela contém\ninformações de saúde e diagnóstico para prever o desenvolvimento de diabetes.\n\n**Objetivo:** Classificar pacientes como diabéticos ou não diabéticos com base em uma ou mais\nvariáveis preditoras.\n\n**Etapas da Atividade:**\n1. Carregue e explore os dados para compreender as variáveis e verificar a presença de\nvalores ausentes.\n1. Treine um modelo de regressão logística para prever se um paciente desenvolverá\ndiabetes com base em uma variável preditora (exemplo: concentração de glicose).\n1. Treine um modelo de rede neural (com duas camadas ocultas e ativação sigmoidal) para\nrealizar a mesma tarefa.\n1. Avalie os modelos utilizando métricas como acurácia, precisão, recall e F1-score.\n1. Visualize as curvas ROC e calcule a AUC (Área Sob a Curva) para comparar os\ndesempenhos.\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fvalmir-unicap%2Finteligencia-artificial","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fvalmir-unicap%2Finteligencia-artificial","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fvalmir-unicap%2Finteligencia-artificial/lists"}