🔧 🔩 Ferramentas de Inteligência Artificial 🤖

Atividades práticas elaboradas em Python, no ambiente Google Colab, para a disciplina de ferramentas de inteligência artificial

Tarefa 1️⃣

🛠️ Engenharia de Atributos

• 📊 Correlation Selection
• 📈 Select From Model
• 🔄 Recursive Feature Elimination
• 🔍 Sequential Feature Selection

Tarefa 2️⃣

📚 Classificação

• 🧹 Tratamento dos dados e Transformação dos dados
• 🌳 Árvore de Decisão
• 🦾 Máquina de Suporte de Vetores
• 🤖 KNN
• 📏 Métricas de Avaliação: acurácia, precisão, recall e F1-score

Tarefa 3️⃣

🧠 Redes Neurais

• 🧬 MLP utilizando sklearn
• 🔄 Validação Cruzada k-fold
• 🔥 MLP utilizando pytorch

Tarefa 4️⃣

📉 Regressão

• 📈 Regressão Linear
• 🧮 SVR - Support Vector Regression
• 🧬 MLP (sklearn)
• 📏 Métricas: R2 Score, MAE (Erro Médio Absoluto), MSE (Erro Quadrático Médio)

Tarefa 5️⃣

🔍 Aprendizado não supervisionado

• 📉 Redução Dimensional
• 📊 PCA
• 📈 LDA
• 🔢 K-means
• 🔣 K-prototypes

Tarefa 6️⃣

🧬 Algoritmos genéticos

• 🧬 DEAP

Trabalho 1️⃣

👥 Sistemas de Multiagentes

• 🦠 Simulação de pandemia utilizando NetLogo
• 🧑‍🤝‍🧑 Criação de agentes com diferentes estados de saúde (saudável, infectado, recuperado)
• ⚙️ Implementação de variáveis como dias de infecção, tipo de máscara e tipo de vacina
• 🌐 Configuração de parâmetros globais como número de mortes e total de infectados
• 🚶‍♂️ Movimentação aleatória dos agentes no cenário
• 🔍 Verificação de infecção entre agentes vizinhos
• 💊 Recuperação ou morte dos agentes após um período de infecção
• 📊 Visualização gráfica do progresso da pandemia com monitores e gráficos

Trabalho 2️⃣

🎒 Problema da Mochila (Bin Packing) com DEAP

• 🧬 Implementação do algoritmo genético utilizando a biblioteca DEAP
• 🎯 Definição do problema da mochila com itens de diferentes pesos e valores
• 👥 Criação de indivíduos representando possíveis soluções para o problema
• 📏 Avaliação da aptidão dos indivíduos com base no valor total dos itens na mochila e na penalização por excesso de peso
• 🔄 Aplicação de operadores genéticos como seleção, cruzamento e mutação
• 🏃‍♂️ Execução do algoritmo genético para encontrar a melhor solução
• 📊 Análise dos resultados e visualização das soluções encontradas

Trabalho Final

🎥 Otimização da seleção de transformadas na codificação de vídeo por meio do uso de aprendizado de máquina

• 🧠 Implementação de um modelo de classificação utilizando técnicas de aprendizado de máquina
• 📊 Coleta e preparação do dataset com diversas características dos vídeos
• 🧹 Pré-processamento dos dados, incluindo balanceamento de classes e normalização
• 🔍 Seleção de atributos utilizando técnicas como Select From Model e Recursive Feature Elimination
• 🏋️‍♂️ Treinamento de modelos de classificação com Random Forest
• 📏 Avaliação dos modelos utilizando métricas de desempenho como acurácia e relatório de classificação
• ⚙️ Otimização dos hiperparâmetros dos modelos utilizando Grid Search e Random Search
• 📊 Análise dos resultados e visualização das melhores configurações encontradas