A evolução tecnológica tem impulsionado o desenvolvimento e a aplicação de Inteligência Artificial (IA) em diversas áreas, desde a análise de dados até a automação de processos industriais. A IA depende de algoritmos complexos, redes neurais e grandes volumes de dados para treinar modelos que podem realizar tarefas que tradicionalmente requerem intervenção humana, como reconhecimento de padrões, tomada de decisões e predição de eventos.
A operação dos algoritmos de IA em diversos cenários possibilita a elaboração de soluções capazes de processar e interpretar grandes quantidades de dados, adaptando-se às mudanças e aprendendo continuamente. Isso é essencial para áreas como saúde, finanças, marketing e automação industrial, em que a precisão e a eficiência são cruciais. Portanto, a importância dos sistemas de IA, também conhecidos como sistemas inteligentes, não pode ser subestimada.
Atividade MAPA:
Para esta atividade MAPA, o estudante executará um script e identificará os componentes principais de um modelo de IA, além de compreender as informações contidas nos dados de treino e teste.
Link do colab: https://colab.research.google.com/drive/1fZYudjsbT1MSmVmLuNmnniWf1gbYaXsb?usp=sharing
O que deve ser feito:
Para essa atividade MAPA, será necessário realizar três etapas importantes:
1ª etapa:
Analisar o script fornecido, considerando que o dataset contém imagens de peças com e sem defeito:
- a) Qual a importância de balancear o dataset antes de treinar o modelo? Por quê?
- b) Qual a métrica de avaliação apropriada para o modelo preditivo? Justifique.
- c) Quais técnicas de pré-processamento de dados são recomendadas para este dataset?
- d) Qual o valor esperado de acurácia após o treinamento do modelo?
2ª etapa:
Explique a estrutura do modelo CNN utilizado no script do Colab, abordando os seguintes pontos:
- a) Descreva as diferentes camadas da CNN, suas funções e parâmetros principais.
- b) Explique o propósito das funções de ativação utilizadas.
- c) Justifique a escolha do otimizador e da função de perda.
- d) Comente sobre os resultados obtidos e como poderiam ser melhorados.
3ª etapa:
Explique a matriz de confusão e calcule as métricas de avaliação do modelo, incluindo acurácia, precisão, recall e F1-score. Complementar o script para incluir esses cálculos.
