Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/valmir-unicap/inteligencia-artificial
Disciplina de Inteligência Artificial
https://github.com/valmir-unicap/inteligencia-artificial
Last synced: about 6 hours ago
JSON representation
Disciplina de Inteligência Artificial
- Host: GitHub
- URL: https://github.com/valmir-unicap/inteligencia-artificial
- Owner: Valmir-unicap
- Created: 2024-11-28T12:30:10.000Z (about 2 months ago)
- Default Branch: main
- Last Pushed: 2024-12-07T18:38:15.000Z (about 1 month ago)
- Last Synced: 2024-12-07T19:23:47.207Z (about 1 month ago)
- Language: Jupyter Notebook
- Size: 396 KB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# Inteligência Artificial
## Disciplina de Inteligência Artificial
### Lista Computacional – Inteligência Artificial
#### Parte 1: Regressão Simples (Regressão Linear e Redes Neurais) – 10%
Utilize a base de dados "Boston Housing" disponível no UCI Machine Learning Repository (ver
código no final deste documento). Ela contém informações sobre preços de imóveis em Boston
e variáveis preditoras relevantes.**Objetivo:** Prever o preço médio dos imóveis em uma área com base em uma única variável
preditora.**Etapas da Atividade:**
1. Carregue e analise os dados para entender a distribuição das variáveis.
2. Escolha uma variável preditora para realizar a regressão (exemplo: "número de
quartos").
3. Treine um modelo de regressão linear para prever o preço médio dos imóveis.
4. Treine um modelo de rede neural (com uma única camada oculta) para prever o preço
médio dos imóveis.
5. Compare os resultados utilizando métricas como erro absoluto médio (MAE) e erro
quadrático médio (MSE).#### Parte 2: Classificação Binária (Regressão Logística e Redes Neurais) – 10%
Base de Dados Sugerida: Utilize a base de dados "Pima Indians Diabetes" também disponível no
UCI Machine Learning Repository (ver código no final deste documento). Ela contém
informações de saúde e diagnóstico para prever o desenvolvimento de diabetes.**Objetivo:** Classificar pacientes como diabéticos ou não diabéticos com base em uma ou mais
variáveis preditoras.**Etapas da Atividade:**
1. Carregue e explore os dados para compreender as variáveis e verificar a presença de
valores ausentes.
1. Treine um modelo de regressão logística para prever se um paciente desenvolverá
diabetes com base em uma variável preditora (exemplo: concentração de glicose).
1. Treine um modelo de rede neural (com duas camadas ocultas e ativação sigmoidal) para
realizar a mesma tarefa.
1. Avalie os modelos utilizando métricas como acurácia, precisão, recall e F1-score.
1. Visualize as curvas ROC e calcule a AUC (Área Sob a Curva) para comparar os
desempenhos.