Portifolio Tecnicas de Inteligencia Artificial

UNIVERSIDADE ANHANGUERA
ENGENHARIA DE SOFTWARE - BACHARELADO
ODAIR DA SILVA MATTOS
RELATÓRIO DE AULA PRÁTICA:

TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL
Tangara da Serra - MT
2023
ODAIR DA SILVA MATTOS
RELATÓRIO DE AULA PRÁTICA:

TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL
Trabalho de portfólio apresentado como requisito parcial

para a obtenção de pontos para a média semestral.
Orientador: Vinicius Camargo Prattes
Tangara da Serra – MT
2023
SUMÁRIO
1 INTRODUÇÃO......................................................................................................................3
2 DESENVOLVIMENTO.........................................................................................................4
2.1 ATIVIDADE PROPOSTA..............................................................................................4
3 CONCLUSÃO........................................................................................................................9
REFERÊNCIAS BIBLIOGRÁFICAS..................................................................................10
3
1 INTRODUÇÃO
A Inteligência Artificial (IA) é uma das áreas de estudo mais importantes

da Atualidade. Com o avanço da tecnologia, a IA tem se tornado cada vez mais
presente em nossa vida cotidiana, desde assistentes virtuais em nossos
smartphones até sistemas de reconhecimento facial e de voz em dispositivos
eletrônicos. Além disso, a IA tem aplicação em diversos setores, como saúde,
finanças, indústria e comércio.
Nesse contexto, as técnicas de aprendizado de máquina têm se destacado
como uma das principais formas de implementar sistemas de IA. Através de
algoritmos que "aprendem" com dados, é possível criar modelos que realizam
previsões e classificações com uma precisão cada vez maior.
A aula prática de Técnicas de Inteligência Artificial com o uso do software
Weka tem como objetivo explorar o potencial dessas técnicas na criação de uma
Rede Neural Perceptron de multicamadas para previsão de diferentes tipos de
outputs. Através da experimentação, será possível aprender a preparar os dados,
criar e ajustar o modelo de rede neural, e interpretar corretamente os resultados
obtidos.
Essa aula prática é de suma importância para aqueles que desejam se
aprofundar no estudo de IA e suas aplicações, já que o software Weka é uma
ferramenta amplamente utilizada na área. Além disso, o aprendizado de técnicas
de
redes neurais permitirão explorar a capacidade de previsão e classificação desses
modelos.
4
2 MÉTODOS
2.1 ATIVIDADE PROPOSTA
Primeiramente, o software Weka foi aberto e, dentro de seu diretório de

instalação, encontramos a pasta “data”, que contém alguns dados disponibilizados
para o uso direto do software. Na pasta, abrimos o arquivo “diabetes.arff”,
observando que esta base de dados continha 9 atributos (colunas) contendo 768
instâncias (linhas). Clicando em “Visualize All” podemos visualizar a distribuição
das variáveis da base de dados:
Figura 1 - distribuição das variáveis da base de dados. Fonte: O autor (2023).
Lembrando que o objetivo da aula prática era o de implementar uma Rede

Neural Perceptron de multicamadas em uma base de dados afim de prever via
Classificação os outputs e comparar os resultados do modelo de acordo com a
variação no tamanho dos dados de teste e treino. Para tal, seguimos os seguintes
passos:
5
Clicamos em “Classify” no canto superior esquerdo da janela e em

“Classifer”, clicamos no botão “Choose”, na pasta “function” a função
“MultilayerPercepton” foi selecionada. Em “Test options” a opção “Use training set”
foi selecionada e em seguida foi clicado em “Start”. Na janela “Classifier”, foi clicado
sobre o nome “MultilayerPerceptron”.
Esta janela contém algumas configurações que podem ser editadas
acerca do modelo de Rede Neural. Foi clicado na caixa de seleção “GUI” e a opção
“True” foi selecionada. Depois foi clicado em “Ok”. O modelo foi novamente
rodado, clicando-se no botão “Start” e uma janela nova com a seguinte imagem
apareceu:
Figura 2 – janela Neural Network. Fonte: O autor (2023).
Nesta nova janela chamada “Neural Network”, foi clicado em “Start” e depois
no botão “Accept”. No “Classifer output”, na imagem a seguir, é analisado os
resultados da tela “Classifier output” principalmente os valores de “Root mean
squared error” e da “Confusion Matrix”.
6
Figura 3 – Resultados da tela “Classifier Output”. Fonte: O autor (2023).
Em sequência, os dados foram divididos de tal forma que 75% fossem

dados para teste e o resto fosse dados para treino do modelo. Em “Test options”
foi clicado
na opção “Percentage split” e digitado 75 no campo ao lado do símbolo de ‘%’.
Depois foi clicado em “Start”. A janela “Neural Network” se abriu novamente
e foi clicado em “Start” e depois “Accept” nesta janela duas vezes. A imagem a
seguir apresenta o resultado disso, e comparem-se os valores da “Root mean
squared error” e “Confusion Matrix” com o do modelo anterior.
7
Figura 4 – nova janela Neural Network. Fonte: O autor (2023).
Figura 5 – resultados finais. Fonte: O autor (2023).
Como se pode ver, os seguintes dados de “Root mean squared error” estão
disponíveis: 0.4146.
8
Na primeira execução, utilizou-se a opção "Use training set" e obteve-se um

valor de "Root mean squared error" de 0.3815 e uma matriz de confusão com 401
valores classificados como "tested_negative" e 218 valores classificados como
"tested_positive". Na segunda execução, dividiram-se os dados em 75% para teste
e 25% para treino, obtendo-se um valor de "Root mean squared error" de 0.4146 e
uma matriz de confusão com 114 valores classificados como "tested_negative" e
34 valores classificados como "tested_positive". Os valores da "Root mean
squared error" indicam a média quadrática da diferença entre os valores reais e os
valores previstos pelo modelo. Já a matriz de confusão mostra a relação entre os
valores reais e os valores previstos, permitindo avaliar o desempenho do modelo.
Os valores diferentes em ambos os modelos podem ser explicados pela
variação no tamanho dos dados de teste e treino, que afetam a precisão das
previsões e, consequentemente, a taxa de acertos e erros do modelo.
Os valores de "Root mean squared error" e "Confusion Matrix" são métricas
usadas para avaliar a precisão e desempenho do modelo de rede
neuralimplementado no software Weka. O "Root mean squared error" (RMSE) é
uma medida de quão bem o modelo de rede neural se ajusta aos dados de
treinamento e teste. Quanto menor o valor do RMSE, melhor é o ajuste do modelo
aos dados. Já a "Confusion Matrix" é uma tabela que mostra a relação entre as
classes reais e as classes previstas pelo modelo. Ela é usada para avaliar a
capacidade do modelo de classificação de prever corretamente as classes dos
dados de teste.
Ao dividir os dados em 75% para teste e 25% para treino, os resultados
de "Root mean squared error" e "Confusion Matrix" mudaram em relação ao
primeiro modelo. Isso ocorre porque o modelo foi treinado com uma quantidade
menor de dados, o que pode afetar a precisão e a capacidade de generalização do
modelo. Além disso, é importante lembrar que a qualidade dos dados de
treinamento e teste também pode influenciar nos resultados, já que dados de má
qualidade podem prejudicar a performance do modelo.
9
3 CONCLUSÃO
Em conclusão, a atividade prática de criação e interpretação de modelos de

rede Neural Perceptron de multicamadas utilizando o software Weka é de extrema
importância para o aprendizado em Técnicas de Inteligência Artificial. Através
deste experimento, foi possível explorar e aplicar conceitos teóricos na prática,
criando modelos de previsão de diferentes tipos de outputs a partir de uma base
de dados disponibilizada pelo software Weka.
Além disso, ao comparar os resultados obtidos com a variação no
tamanho dos dados de teste e treino, foi possível verificar a influência dessa
variação na precisão do modelo. Os valores de "Root mean squared error" e
"Confusion Matrix" foram analisados para avaliar o desempenho dos modelos,
fornecendo informações valiosas para entender como melhorar a precisão da
previsão.
Desta forma, atividades práticas como essa são fundamentais para o
aprendizado de Técnicas de Inteligência Artificial, pois permitem aplicar conceitos
teóricos em situações reais e preparar para o trabalho em diversas áreas que
utilizam técnicas de aprendizado de máquina.
10
REFERÊNCIAS BIBLIOGRÁFICAS
BISHOP, Christopher M. Pattern Recognition and Machine Learning. Springer, 1st

edition, 2006.
GOODFELLOW, Ian, et al. Deep Learning. MIT Press, 1st edition, 2016.
HASTIE, Trevor, et al. The Elements of Statistical Learning: Data Mining, Inference,
and Prediction. Springer, 2nd edition, 2009.

Portifolio Tecnicas de Inteligencia Artificial

Enviado por

Direitos autorais:

Formatos disponíveis

Portifolio Tecnicas de Inteligencia Artificial

Enviado por

Dados do documento

Descrição original:

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Portifolio Tecnicas de Inteligencia Artificial

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE ANHANGUERA

ENGENHARIA DE SOFTWARE - BACHARELADO

ODAIR DA SILVA MATTOS

RELATÓRIO DE AULA PRÁTICA:

RELATÓRIO DE AULA PRÁTICA:

Trabalho de portfólio apresentado como requisito parcial

Orientador: Vinicius Camargo Prattes

A Inteligência Artificial (IA) é uma das áreas de estudo mais importantes

2.1 ATIVIDADE PROPOSTA

Primeiramente, o software Weka foi aberto e, dentro de seu diretório de

Figura 1 - distribuição das variáveis da base de dados. Fonte: O autor (2023).

Lembrando que o objetivo da aula prática era o de implementar uma Rede

Clicamos em “Classify” no canto superior esquerdo da janela e em

Figura 2 – janela Neural Network. Fonte: O autor (2023).

Figura 3 – Resultados da tela “Classifier Output”. Fonte: O autor (2023).

Em sequência, os dados foram divididos de tal forma que 75% fossem

Figura 4 – nova janela Neural Network. Fonte: O autor (2023).

Figura 5 – resultados finais. Fonte: O autor (2023).

Na primeira execução, utilizou-se a opção "Use training set" e obteve-se um

Em conclusão, a atividade prática de criação e interpretação de modelos de

BISHOP, Christopher M. Pattern Recognition and Machine Learning. Springer, 1st

Você também pode gostar