Para desenvolver Aula Prática Linguagem de programação – Machine learning com phyton, comece identificando os objetivos e as entregas solicitadas no roteiro. A seguir, veja os pontos presentes na descrição desta atividade e organize teu relatório de acordo com as orientações do curso.
O que é esta aula prática?
Antes de começar, leia a apresentação e identifique o tema, a unidade e o formato pedido.
Unidade 4 – Aplicações com Python; Aula 4 – Machine Learning com Python.
Uso do Google Colab como ambiente de notebook (https://colab.google/).
Bibliotecas: TensorFlow, pandas, scikit‑learn (load_iris, train_test_split, StandardScaler).
Fluxo: importação de dados, pré‑processamento, construção de rede neural, treinamento, avaliação e previsões.
Entrega: relatório (.docx ou .pdf) com print do código e breve explicação da lógica.
O seu trabalho é disponibilizado pronto, respondido e nas normas já na mesma hora aqui em nosso site na sua área de downloads e também no seu e-mail.
Portfólio em Word, respondido, completo e já nas normas
Se estiver acessando pelo computador, escaneie o QR Code abaixo com a câmera do celular para abrir nosso atendimento no WhatsApp.
Como desenvolver a atividade passo a passo
Execute cada etapa na ordem indicada e registre o que foi feito para depois explicar o processo no relatório.
Esta atividade prática, pertencente à disciplina Linguagem de Programação (Unidade 4 – APLICAÇÕES COM PYTHON, Aula 4 – MACHINE LEARNING COM PYTHON), propõe o desenvolvimento de um modelo de Machine Learning em Python para classificação de espécies de Iris a partir de medidas de sépalas e pétalas. O exercício é conduzido em ambiente de notebook na nuvem, usando Google Colab (https://colab.google/), e tem como foco tanto o entendimento conceitual quanto a implementação prática das etapas típicas de um fluxo de trabalho em aprendizado de máquina.
O problema apresentado situa o aluno como contratado para criar um classificador que utilize TensorFlow para construir, treinar e avaliar uma rede neural simples sobre o conjunto de dados Iris disponível no scikit-learn. O roteiro especifica importação de bibliotecas (tensorflow, pandas, scikit-learn), carregamento do dataset Iris, pré‑processamento (divisão treino/teste e normalização com StandardScaler), construção do modelo, treinamento, avaliação de precisão e geração de previsões. A execução é pensada para ser feita em um notebook Colab, com instruções para testar diferentes entradas e comentar o código.
O que é desenvolvido nesta atividade
Desenvolve‑se a implementação prática de um pipeline de Machine Learning em Python: importar datasets e bibliotecas, pré‑processar os dados (train/test split e normalização), construir e treinar uma rede neural com TensorFlow, avaliar a acurácia usando dados de teste e realizar previsões com o modelo treinado. Como comprovação, exige‑se a entrega de um relatório em .docx ou .pdf contendo ao menos um print do código executado e uma descrição sucinta da lógica utilizada.
Como estruturar o relatório
Organize a entrega em identificação da atividade, objetivos, recursos utilizados, descrição dos procedimentos, registros dos resultados e conclusão. Ajuste essa sequência ao modelo exigido pela instituição e inclua apenas observações e evidências obtidas durante a tua própria execução.
Checklist antes de entregar
- Conferir se todos os objetivos do roteiro foram contemplados.
- Descrever os procedimentos na ordem em que foram realizados.
- Inserir registros, imagens ou arquivos quando a atividade solicitar.
- Relacionar os resultados com as tarefas e revisar o formato de entrega exigido.
