Ecosyste.ms: Awesome

An open API service indexing awesome lists of open source software.

Awesome Lists | Featured Topics | Projects

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

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.