sammid37 / iia

Dedicado a disciplina de Introdução à Inteligência Artificial ministrada no período de 2022.2.

---

Comecei meus estudos em tecnologia escrevendo em blogs, brincando um pouco com o JavaScript e o CSS. Em 2015 iniciei meus estudos no IFRN campus Caicó e me formei como técnica em Informática em 2018.

Atualmente curso o bacharelado de Ciência da Computação na UFPB e que me permite abraçar cada um dos diversos ramos da computação, dentre eles a Engenharia de Software, Banco de Dados, Redes, IA e Processamento Digital de Imagens.

Desde 2020 sigo como membro do PET Computação, grupo que me permitiu desenvolver ainda mais os aspectos de trabalho em grupo, comunicação e criatividade.

Também estou atuando como bolsista dos projetos Synchro.

No meu tempo livre gosto de fotografar, desenhar, estudar animação, ler, assistir séries e jogar.

No momento estou estudando a minha primeira Game Engine, Godot, e criando sprites em estilo de Pixel Art.

# Obrigada aos familiares, amigos, colegas e professores
if motivation is True:
  print("Don't you ever ever ever give up")

Stack e Ferramentas de Desenvolvimento

Outras tecnologias e ferramentas que utilizo

Arte e Desenvolvimento de Jogos

🌼 Entre em contato

iia's Issues

Implementação dos algoritmos de aprendizado supervisionado

Descrição

É necessário documentar as escolhas dos métodos utilizados e comparar os resultados obtidos.

Objetivo

• Definir se é um problema de regressão ou classificação (#9)
• Definir o método a ser utilizado (ex.: k-NN, random forest ou outros)
• Métricas do modelo (acurácia, precisão, sensibilidade e matriz confusão)

Pipeline não-supervisionado

Defina um pipeline de aplicação de pelo menos 2 métodos de aprendizado de máquina não supervisionado e da variação de ao menos 1 parâmetro deles, execute-o e justifique suas escolhas (sobre os métodos, parâmetros e valores);

Escolha do atributo de saída

Descrição

Escolha um dos atributos de entrada para que passe a ser um atributo de saída e assim você tenha um problema supervisionado em mãos;

Resolução

• Escolha de atributo
• Selecionando atributo de entrada e saída
• Separando dados para treinamento

Elaboração da apresentação do projeto final

Descrição

Após realizar todos os testes necessários e documentar todas as seções, é hora de realizar a última etapa do projeto final: a apresentação.

Objetivo

• Revisar código fonte e gráficos
• Elaborar slides contendo
  • Motivação
  • Comentários sobre o pré-processamento
  • Escolha de atributo(s) alvo(s)
  • Gráficos relevantes
  • Métodos utilizados
  • Resultados e conclusões
• Gravar vídeo de apresentação
• Entregar o projeto final

Pré-processamento

Descrição

Realizar o pré-processamento da base de dados sobre colônias de abelhas. Deve ser informado nos comentários da issue o que foi realizado.

Objetivo

• Inicializar o dataframe
• Exibir...
  • primeiros itens do dataframe (df.head())
  • valores únicos
  • listagem de valores nulos
• Exclusão de colunas
• Substituir valores nulos (mediana ou moda)
• Plotar gráficos
  • Boxplot
  • Correlação
• Documentar seção

Definição do pipeline

Descrição

Defina um pipeline de redução de dimensionalidade, aplique e justifique sua escolha. Lembre de comparar a base reduzida com a original (ou mais próximo dela);

Objetivo

• PCA
• Testes
• Justificativas

Escolha do atributo de saída e documentação

Descrição

Para definir o pipeline de redução, é necessário já ter concluído a issue #8.

Objetivo

• Definir pipeline de redução (comparar base de dados)
• Realizar oversampling, se necessário

Pipeline Supervisionado

Descrição

Defina um pipeline de aplicação de pelo menos 2 métodos de aprendizado de máquina supervisionado e da variação de ao menos 1 parâmetro deles, execute-o e justifique suas escolhas (sobre os métodos, parâmetros e valores);

Objetivo

• k-NN (1, 3, 5, 7 e 9)
  • Acurácia, precisão e sensibilidade
  • Matriz Confusão
• Random forest
  • Acurácia, precisão e sensibilidade
  • Matriz Confusão
• Testes
• Justificativas

Considerar

• Aumentar a quantidade de dados
• Cross-validation
• Técnicas de balanceamento de classes

Envio da prova

• Resolução de todas as questões
• Verificação dos imports utilizado e não utilizados (remover)
• Verificar se tudo foi bem documentado
• Enviar arquivo .ipynb até às 23h59 do dia 29/05 (segunda-feira)

Processamento dos Dados

• Substituir valores nulos de colunas numéricas pelas suas medianas (de acordo com o grupo de cães)
• Tratar coluna popularity
  • incluir alteração na função que já substitui valores nulos pelas medianas
  • realizar conversão

Comparação dos dados

Faça a comparação dos resultados (item 3, 4 e 5) utilizando pelo menos 2 métricas. Justifique a escolha dessas métricas e argumente sobre os resultados encontrados. Para tanto, você pode fazer um uso de gráficos e matrizes de confusão.