Portifolio

Público MACHINE LEARNING II Roteiro Aula Prática 2 Público ROTEIRO DE AULA PRÁTICA NOME DA DISCIPLINA Machine Learning II Unidade 1 Métodos de Amostragem e Modelos Preditivos Aula 3 Modelos Supervisionados OBJETIVOS Definição dos objetivos da aula prática Permitir que o aluno compreenda e implemente o algoritmo de agrupamento Kmeans explorando sua aplicação em um conjunto de dados bidimensional SOLUÇÃO DIGITAL Pycharm 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 httpswwwjetbrainscomptbrpycharm PROCEDIMENTOS PRÁTICOS E APLICAÇÕES ProcedimentoAtividade nº 1 Desenvolvimento de um algoritmo em Python para analisar a função do Kmeans Atividade proposta Desenvolver um algoritmo kmeans 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 Kmeans da biblioteca sklearncluster 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 3 Público Depois da criação da base de dados transformea em um conjunto de pontos Para encontrar o melhor valor para K precisamos executar Kmeans 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 111 treinamos um modelo Kmeans 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 KMeans O código deve criar um conjunto de dados representado por duas listas de valores correspondentes às coordenadas x e y A partir desses dados devese 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 KMeans 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 Certifiquese 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 ü Desenvolver um algoritmo usando Python e Kmeans ü Gerar um conjunto de dados bidimensional representado por duas listas de valores ü Plotar gráficos com o resultado do treinamento de Kmeans ü Avaliar os resultados RESULTADOS 4 Público 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