https://github.com/yasmin-camargo/ferramentas-de-inteligencia-artificial
Atividades práticas elaborados em Python, no ambiente Google Colab, para a disciplina de ferramentas de inteligencia artificial
https://github.com/yasmin-camargo/ferramentas-de-inteligencia-artificial
cross-validation data-engineering deap decision-tree dimensionality-reduction evaluation-metrics genetic-algorithm kfold knn linear-regression machine-learning mlp-pytorch neural-networks python random-forest recursive-feature-elimination supervised-learning svm-classifier unsupervised-learning
Last synced: 3 months ago
JSON representation
Atividades práticas elaborados em Python, no ambiente Google Colab, para a disciplina de ferramentas de inteligencia artificial
- Host: GitHub
- URL: https://github.com/yasmin-camargo/ferramentas-de-inteligencia-artificial
- Owner: Yasmin-Camargo
- Created: 2024-07-22T01:41:55.000Z (10 months ago)
- Default Branch: main
- Last Pushed: 2024-11-11T14:49:49.000Z (6 months ago)
- Last Synced: 2025-01-11T04:29:35.721Z (4 months ago)
- Topics: cross-validation, data-engineering, deap, decision-tree, dimensionality-reduction, evaluation-metrics, genetic-algorithm, kfold, knn, linear-regression, machine-learning, mlp-pytorch, neural-networks, python, random-forest, recursive-feature-elimination, supervised-learning, svm-classifier, unsupervised-learning
- Language: Jupyter Notebook
- Homepage:
- Size: 2.41 MB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# :wrench: :nut_and_bolt: Ferramentas de Inteligência Artificial 🤖
Atividades práticas elaboradas em Python, no ambiente Google Colab, para a disciplina de ferramentas de inteligência artificial
## Tarefa :one:
🛠️ Engenharia de Atributos
- 📊 Correlation Selection
- 📈 Select From Model
- 🔄 Recursive Feature Elimination
- 🔍 Sequential Feature Selection
## Tarefa :two:
📚 Classificação
- 🧹 Tratamento dos dados e Transformação dos dados
- 🌳 Árvore de Decisão
- 🦾 Máquina de Suporte de Vetores
- 🤖 KNN
- 📏 Métricas de Avaliação: acurácia, precisão, recall e F1-score
## Tarefa :three:
🧠 Redes Neurais
- 🧬 MLP utilizando sklearn
- 🔄 Validação Cruzada k-fold
- 🔥 MLP utilizando pytorch
## Tarefa :four:
📉 Regressão
- 📈 Regressão Linear
- 🧮 SVR - Support Vector Regression
- 🧬 MLP (sklearn)
- 📏 Métricas: R2 Score, MAE (Erro Médio Absoluto), MSE (Erro Quadrático Médio)
## Tarefa :five:
🔍 Aprendizado não supervisionado
- 📉 Redução Dimensional
- 📊 PCA
- 📈 LDA
- 🔢 K-means
- 🔣 K-prototypes
## Tarefa :six:
🧬 Algoritmos genéticos
- 🧬 DEAP
## Trabalho :one:
👥 Sistemas de Multiagentes
- 🦠 Simulação de pandemia utilizando NetLogo
- 🧑🤝🧑 Criação de agentes com diferentes estados de saúde (saudável, infectado, recuperado)
- ⚙️ Implementação de variáveis como dias de infecção, tipo de máscara e tipo de vacina
- 🌐 Configuração de parâmetros globais como número de mortes e total de infectados
- 🚶♂️ Movimentação aleatória dos agentes no cenário
- 🔍 Verificação de infecção entre agentes vizinhos
- 💊 Recuperação ou morte dos agentes após um período de infecção
- 📊 Visualização gráfica do progresso da pandemia com monitores e gráficos
## Trabalho :two:
🎒 Problema da Mochila (Bin Packing) com DEAP
- 🧬 Implementação do algoritmo genético utilizando a biblioteca DEAP
- 🎯 Definição do problema da mochila com itens de diferentes pesos e valores
- 👥 Criação de indivíduos representando possíveis soluções para o problema
- 📏 Avaliação da aptidão dos indivíduos com base no valor total dos itens na mochila e na penalização por excesso de peso
- 🔄 Aplicação de operadores genéticos como seleção, cruzamento e mutação
- 🏃♂️ Execução do algoritmo genético para encontrar a melhor solução
- 📊 Análise dos resultados e visualização das soluções encontradas
## Trabalho Final
🎥 Otimização da seleção de transformadas na codificação de vídeo por meio do uso de aprendizado de máquina
- 🧠 Implementação de um modelo de classificação utilizando técnicas de aprendizado de máquina
- 📊 Coleta e preparação do dataset com diversas características dos vídeos
- 🧹 Pré-processamento dos dados, incluindo balanceamento de classes e normalização
- 🔍 Seleção de atributos utilizando técnicas como Select From Model e Recursive Feature Elimination
- 🏋️♂️ Treinamento de modelos de classificação com Random Forest
- 📏 Avaliação dos modelos utilizando métricas de desempenho como acurácia e relatório de classificação
- ⚙️ Otimização dos hiperparâmetros dos modelos utilizando Grid Search e Random Search
- 📊 Análise dos resultados e visualização das melhores configurações encontradas