Para desenvolver Aula Prática Machine Learning II, 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
Algoritmo K-means e fundamentos do agrupamento.
Método do cotovelo (Elbow Method) para seleção de K; cálculo de inércia para K = 1 a 10.
Manipulação de dados bidimensionais a partir das listas x e y fornecidas.
Uso das bibliotecas sklearn.cluster (KMeans), numpy e matplotlib para modelagem e visualização.
Ambiente de desenvolvimento recomendado: PyCharm.
Entrega técnica: arquivo PDF contendo código e gráficos, com limite de 2 MB.
Aula Prática Machine Learning II
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 II (Unidade 1 – Métodos de Amostragem e Modelos Preditivos, Aula 3 – Modelos Supervisionados) aborda a implementação e análise do algoritmo de agrupamento K-means em um conjunto de dados bidimensional. O exercício propõe que o aluno desenvolva o algoritmo em Python, utilizando bibliotecas como sklearn, matplotlib e numpy, preferencialmente em um ambiente como o PyCharm.
O trabalho utiliza uma base de dados simples composta por duas listas de coordenadas: x = [4, 5, 10, 4, 3, 11, 14, 6, 10, 12] e y = [21, 19, 24, 17, 16, 25, 24, 22, 21, 21]. A atividade exige transformar essas listas em um conjunto de pontos, executar K-means para valores de K variando de 1 a 10, calcular a inércia para cada K e analisar o gráfico gerado pelo método do cotovelo (Elbow Method). Em seguida, pede-se ajustar K = 2 para visualizar e interpretar os clusters resultantes em um gráfico de dispersão.
Ao final, o estudante deverá consolidar o código e os gráficos em um arquivo em PDF (tamanho máximo de 2 MB) contendo o desenvolvimento e as visualizações geradas.
O que é desenvolvido nesta atividadeImplementação prática do algoritmo K-means em Python, avaliação da inércia para diferentes números de clusters e uso do método do cotovelo para identificar o número ideal de clusters. Produção de gráficos de dispersão que distinguem visualmente os clusters e preparação de relatório com código e imagens em PDF, seguindo os requisitos de entrega.
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.
