Para desenvolver Aula Prática Machine Learning I, 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.
Principais conteúdos abordados
Aprendizado supervisionado: conceitos e aplicações
Regressão e classificação por modelos lineares e não lineares (contexto da Unidade U4)
Multilayer Perceptron (MLP) para classificação
Uso de TensorFlow/Keras e dataset MNIST
Pré‑processamento: normalização e codificação categórica (to_categorical)
Treinamento, avaliação de precisão e realização de previsões
Aula Prática Machine Learning I
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 pronto Unopar Anhanguera 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 Aula Prática de Machine Learning I (Unidade: U4) concentra-se em conceitos e aplicações de aprendizado supervisionado, com ênfase em regressão e classificação por modelos lineares e não lineares. A sessão prática A4_APRENDIZAGEM SUPERVISIONADA tem tempo previsto de execução de 2h e apresenta uma situação-problema: atuar como cientista de dados em uma empresa de tecnologia para desenvolver e treinar um modelo Multilayer Perceptron (MLP) em TensorFlow para classificação de dígitos manuscritos usando o conjunto de dados MNIST.
A atividade é planejada para execução prática em ambiente digital, com referência ao uso do Google Colab como plataforma e à necessidade de infraestrutura mínima indicada (NSA SOLUÇÃO DIGITAL). Informações de laboratório aparecem como NOME DO LABORATÓRIO; equipamentos e EPI são assinalados como NSA, conforme o roteiro. O roteiro inclui procedimentos passo a passo para importar bibliotecas, carregar e normalizar dados, converter rótulos para representação categórica, definir e treinar a arquitetura MLP, avaliar desempenho e realizar previsões e visualizações.
O que é desenvolvido nesta atividade — Construir e treinar um modelo de classificação de dígitos manuscritos: importar bibliotecas (por exemplo, TensorFlow e utilitários Keras), carregar o conjunto MNIST, normalizar entradas, converter rótulos com to_categorical, definir arquitetura de camadas densas para um MLP, compilar e treinar o modelo, avaliar a precisão no conjunto de teste e gerar previsões e visualizações. A atividade orienta a entrega de evidência prática, como um print da tela do Google Colab.
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.
