Aula Pratica Tecnicas de Inteligencia Artificial Anhanguera 1 g4tdhf

UNIVERSIDADE ANHANGUERA – UNIDERP
CENTRO DE EDUCAÇÃO À DISTÂNCIA

CURSO
NOME - RA
ATIVIDADE PRÁTICA
TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL
CIDADE
2023
NOME - RA
ATIVIDADE PRÁTICA
TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL
Trabalho apresentado à Universidade ANHANGUERA,

como requisito parcial para a obtenção de média
semestral nas disciplinas norteadoras do semestre letivo.
Tutor (a): INSERIR NOME
CIDADE
2023
1
SUMÁRIO
1 INTRODUÇÃO......................................................................................................... 3
2 DESENVOLVIMENTO..............................................................................................4
2.1 ATIVIDADE PROPOSTA....................................................................................4
2.1.1 RESULTADOS................................................................................................ 8
3 CONCLUSÃO.........................................................................................................10
REFERÊNCIAS BIBLIOGRÁFICAS.........................................................................11
2
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 permitirá explorar a capacidade de previsão e classificação desses
modelos, podendo ser aplicado em diversas áreas de atuação, como finanças,
indústria, saúde e comércio.
3
2 DESENVOLVIMENTO
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:
4
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”.
5
Figura 3 – Resultados da tela “Classifier Output”. Fonte: O autor (2023).
Os seguintes dados de “Root mean squared error” estão disponíveis: 0.3815.
Já para os dados de “Confusion Matrix”, temos o seguinte:
a b  classified as (classificado como)
401 99 | a = tested_negative
50 218 | b = tested_positive
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 ‘%’.
6
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.
Figura 4 – nova janela Neural Network. Fonte: O autor (2023).
Figura 5 – resultados finais. Fonte: O autor (2023).
7
Como se pode ver, os seguintes dados de “Root mean squared error” estão
disponíveis: 0.4146.
Já para os dados de “Confusion Matrix”, temos o seguinte:
a b  classified as (classificado como)
114 16 | a = tested_negative
28 34 | b = tested_positive
2.1.1 RESULTADOS
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
8
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 neural
implementado 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.
Portanto, é importante avaliar cuidadosamente os resultados obtidos pelos

modelos de rede neural implementados no Weka, verificando o desempenho do
modelo em diferentes conjuntos de dados e ajustando os parâmetros do modelo,
quando necessário, para obter a melhor performance possível.
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.
Essa atividade prática específica é importante, pois as redes neurais artificiais

são amplamente utilizadas em várias aplicações de aprendizado de máquina e é
fundamental saber como implementar e interpretar seus resultados. Além disso, o
software Weka é uma ferramenta poderosa para mineração de dados e, portanto,
conhecê-lo e saber utilizá-lo corretamente é essencial para profissionais que
trabalham com análise de dados.
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.
11

Aula Pratica Tecnicas de Inteligencia Artificial Anhanguera 1 g4tdhf

Enviado por

Direitos autorais:

Formatos disponíveis

Aula Pratica Tecnicas de Inteligencia Artificial Anhanguera 1 g4tdhf

Enviado por

Dados do documento

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

Aula Pratica Tecnicas de Inteligencia Artificial Anhanguera 1 g4tdhf

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE ANHANGUERA – UNIDERP

CENTRO DE EDUCAÇÃO À DISTÂNCIA

Trabalho apresentado à Universidade ANHANGUERA,

Tutor (a): INSERIR NOME

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

Nesse contexto, as técnicas de aprendizado de máquina têm se destacado

A aula prática de Técnicas de Inteligência Artificial com o uso do software

Essa aula prática é de suma importância para aqueles que desejam se

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

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

Os seguintes dados de “Root mean squared error” estão disponíveis: 0.3815.

Já para os dados de “Confusion Matrix”, temos o seguinte:

a b  classified as (classificado como)

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

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

Já para os dados de “Confusion Matrix”, temos o seguinte:

a b  classified as (classificado como)

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

Os valores de "Root mean squared error" e "Confusion Matrix" são métricas

Ao dividir os dados em 75% para teste e 25% para treino, os resultados de

Portanto, é importante avaliar cuidadosamente os resultados obtidos pelos

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

Além disso, ao comparar os resultados obtidos com a variação no tamanho

Essa atividade prática específica é importante, pois as redes neurais artificiais

Desta forma, atividades práticas como essa são fundamentais para o

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

Você também pode gostar