Projetos de Machine Learning em Python para Classificação de Atividade Física

Regras importantes Escolha apenas UM 1 dos projetos e resolva utilizando métodos de aprendizagem de máquina O projeto deve ser executado em Python utilizando alguma biblioteca livre de machine learning Keras Scikitlearn PyTork Material a entregar Códigos em Python py ou ipynb Envio o Por email O assunto da mensagem deve ser 1s20226694nome1nome2nome3 Exemplo 1s20226694YannLecunYoshuaBengioGeoffreyHinton o Ou pelo Classroom apenas um dos integrantes do grupo envia o Relatório técnico em formato PDF mesmo se for resolvido em um notebook ipynb entregueo em PDF também bem objetivo e que deve conter as seguintes seções Descrição do problema descrição da base de dados e dos problemas a serem tratados Materiais e métodos qual biblioteca irá utilizar suas funcionalidades e módulos tipo de rede neural e uso do conjunto de dados Resultados e discussões descrição dos ajustes estrutura da rede etc exposição dos resultados de treinamento validação e teste e discussão técnica de cada resultado Ao final uma conclusão técnica com recomendações de solução do problema Projetos escolha apenas 1 para resolver 1 Classificação Tomando como base os conceitos e exemplos vistos em sala de aula proponha e implemente duas soluções distintas ie usando dois métodos diferentes para tratar o problema de classificação no conjunto de dados de reconhecimento de atividade física através de dados de um acelerômetro triaxial acesse o conjunto no repositório da Universidade da Califórnia Irvine neste link Sugiro escolher como soluções concorrentes a rede neural MLP e a regressão logística por termos visto com detalhes mas outros classificadores como Support Vector Machines SVM knearest neighbors KNN ou Decision Trees também são alternativas interessantes Os dados foram coletados de um acelerômetro montado no peito dos 15 participantes executando 7 tipos de atividades Como já visto em aula os dados não estão calibrados e contêm informação de aceleração nos três eixos AxAyAz É recomendada a utilização de um filtro passabaixas com frequência de corte entre 4 e 6 Hz para auxiliar no condicionamento dos dados para esta tarefa Note que o comportamento temporal dos dados de cada atividade deve ser absorvido no treinamento das soluções para que estas possam realizar adequadamente a tarefa de classificação Para tanto defina um tamanho de janela de tempo e obtenha os dados de entrada usando o método da janela deslizante com ou sem sobreposição entre janelas Estas escolhas fazem parte da proposta de solução Escolha apenas um dos participantes e selecione dados para treinamento validação e teste As soluções devem ser capazes de classificar as seguintes atividades do participante escolhido caminhando 4 subindodescendo escadas 5 caminhando e conversando com alguém 6 Descarte as outras atividades 1 2 3 ou 7 antes de formar os conjuntos de treinamento validação e teste Os números entre parênteses são as identificações numéricas originais das atividades no conjunto de dados Apresente e discuta os resultados de treinamento validação e de teste das soluções propostas 2 Predição Seja o conjunto de dados de consumo de energia elétrica em uma residência disponível no repositório online da Universidade da Califórnia Irvine neste link Dentre os atributos potência ativa potência reativa tensão e corrente todas com o valor médio por minuto selecione um destes atributos para fazer a predição previsão de amostras futuras da série temporal Proponha e implemente duas soluções distintas ie usando dois métodos diferentes para tratar o problema Sugiro escolher como soluções concorrentes a rede neural MLP e a regressão linear por termos visto com detalhes mas outros regressores como Support Vector Regression SVR redes LSTM ou regressão baseada em knearest neighbors também são alternativas interessantes Faça a predição para os seguintes casos 2 minutos 10 minutos 30 minutos e 1 hora à frente e analise os resultados com argumentos fundamentados Dicas a amostragem é realizada a cada minuto Considere não mais do que 30 mil minutos ou seja 30 mil amostras de tempo do conjunto de dados Isto resulta em aproximadamente 21 dias de observação com período de amostragem de um minuto É recomendando fazer uma suavização dos dados filtragem passabaixas Para separação dos padrões de entrada use o método da janela deslizante sliding window com uma amostra de avanço para cada nova janela Apresente e discuta os resultados de treinamento validação e de teste das soluções propostas