RESOLUÇÃO - (032 99116 - 4945) - ROTEIRO DE AULA PRÁTICA MACHINE LEARNING II

Prévia do material em texto

Roteiro 
Aula Prática 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
MACHINE LEARNING II 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Público 
(032 99116 - 4945) 
 
Precisando da resolução correta, nas Normas ABNT e feita passo a 
passo deste trabalho? 
Teremos o prazer em te ajudar, nas provas, relatórios de estágio, TCC 
e demais atividades da sua faculdade!!! 
 
Garantia de conceito excelente, temos a pronta entrega resolução 
padrão feita passo a passo, bem explicado, ou se preferir fazemos pra 
você de forma exclusiva sob encomenda. 
COMPRE ATRAVÉS DO WHATS (032 99116 - 4945) 
ROTEIRO DE AULA PRÁTICA 
 
NOME DA DISCIPLINA: Machine Learning II 
 
Unidade: 1 – Métodos de Amostragem e Modelos Preditivos 
Aula: 3 – Modelos Supervisionados 
 
 
 
 
 
 
 
 
P úbl i c2o 
 
 
 
Permitir que o aluno compreenda e implemente o algoritmo de agrupamento K-means, explorando 
sua aplicação em um conjunto de dados bidimensional. 
Definição dos objetivos da aula prática: 
OBJETIVOS 
 
 
 
PyCharm é um ambiente de desenvolvimento integrado usado para programação em Python. 
Ele fornece análise de código, um depurador gráfico, um testador de unidade integrado, 
integração com sistemas de controle de versão e suporta desenvolvimento web com Django, 
que pode ser acessado em https://www.jetbrains.com/pt-br/pycharm/ 
SOLUÇÃO DIGITAL: 
Pycharm 
Procedimento/Atividade nº 1 
Desenvolvimento de um algoritmo em Python para analisar a função do K-means. 
Atividade proposta: Desenvolver um algoritmo k-means, utilizando linguagem de programação 
Python e suas bibliotecas sklearn, matplotlib e numpy. 
Procedimentos para a realização da atividade: 
Crie um algoritmo que utilize a função K-means da biblioteca sklearn.cluster. Para este exercício, 
siga os passos a seguir: 
Para a nossa base de dados, crie as seguintes matrizes: 
x = [4, 5, 10, 4, 3, 11, 14, 6, 10, 12] 
y = [21, 19, 24, 17, 16, 25, 24, 22, 21, 21] 
PROCEDIMENTOS PRÁTICOS E APLICAÇÕES 
http://www.jetbrains.com/pt-br/pycharm/
 
 Depois da criação da base de dados, transforme-a em um conjunto de pontos. 
 
 
 Para encontrar o melhor valor para K, precisamos executar K-means em nosso conjunto 
de pontos para uma variedade de valores possíveis. Temos apenas 10 pontos de dados, 
então o número máximo de clusters é 10. Portanto, para cada valor K no intervalo (1,11), 
treinamos um modelo K-means e plotamos o resultado. 
 
 Ajuste o seu K para 2 e plote os diferentes clusters atribuídos aos dados. 
 
 
 
Avaliando os resultados: 
O código desenvolvido implementa a análise de agrupamento em um conjunto de dados 
bidimensional utilizando o algoritmo K-Means. O código deve criar um conjunto de dados 
representado por duas listas de valores correspondentes às coordenadas x e y. A partir desses 
dados, deve-se calcular a inércia para diferentes quantidades de clusters, variando de 1 a 10, e 
construir um gráfico que permita identificar o número ideal de clusters através do método do 
cotovelo (Elbow Method). Esse gráfico será fundamental para determinar o ponto em que a adição 
de novos clusters deixa de trazer ganhos significativos em termos de redução de inércia. 
 
Após determinar o número ideal de clusters, aplique o algoritmo K-Means para agrupar os dados 
e visualize os resultados em um gráfico de dispersão. Nesse gráfico, os dados devem ser 
apresentados com cores diferentes para cada cluster, facilitando a interpretação visual dos 
agrupamentos formados. Certifique-se de utilizar as bibliotecas apropriadas para manipulação e 
visualização de dados, como `matplotlib` e `sklearn`, garantindo que os resultados sejam claros 
e bem estruturados. 
 
Checklist: 
 
 
 Desenvolver um algoritmo usando Python e K-means. 
 Gerar um conjunto de dados bidimensional representado por duas listas de valores. 
 Plotar gráficos com o resultado do treinamento de K-means. 
 Avaliar os resultados. 
 
 
 
 
 
 
 
 
P úbl i c3o 
RESULTADOS 
Resultados do experimento: 
Ao final dessa aula prática, você deverá enviar um arquivo em pdf contendo o código 
desenvolvido e os gráfico gerados. O arquivo não pode exceder o tamanho de 2Mb. 
Resultados de Aprendizagem: 
Como resultados dessa prática será possível compreender os fundamentos do algoritmo K- 
Means e o uso do método do cotovelo para determinar o número ideal de clusters. Além disso, é 
desenvolvidas habilidades práticas em Python, manipulando dados bidimensionais e utilizando 
bibliotecas como sklearn e matplotlib para análise e visualização. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
P úbl i c4o 
	NOME DA DISCIPLINA: Machine Learning II
	Avaliando os resultados:
	Checklist: