Professores Mirapalheta e Hitoshi
Data Final: 15 de junho de 2020 23:59
Questão 1:
Tomando por base o conjunto de dados MNIST, padrão do pacote Keras, defina e elabore uma rede neural sequencial,
apresentando os formatos dos tensores de entrada e saída, bem como os tensores intermediários na rede. Treine e
teste o modelo de rede neural sequencial desenvolvido, de forma que ele consiga atingir uma precisão de pelo
menos 97% no teste, no reconhecimento das imagens de números escritos à mão livre. Compare o desempenho da rede
neural no treino utilizando dados normalizados e não normalizados.após 50 épocas de treino. Aumente o número de
camadas internas da rede neural e determine se isto melhora ou não a qualidade dos resultados no teste.
Qual o número de camadas que você consideraria ideal?
Questão 2:
Resolva o mesmo problema da Questão 1 utilizando o algoritmo Random Forests. Tentem trabalhar a hiperparametrização
para aumento do desempenho. Compare o seu melhor resultado com o resultado obtido na Questão 1 e comente.
Professor Eduardo
Façam a resenha e análise crítica de pelo menos 2 das 3 palestras realizadas durante as Aulas 2, 3 e 4 de “Aplicações de Estatística Espacial”. Essa resenha deve estar articulada em um texto único, comparando e combinando sua visão a partir das palestras proferidas. Incluam outros elementos ou referências que julgarem importante.
O texto deve ter pelo menos 4 páginas. Não há limite superior de páginas para essa atividade. Eventuais figuras que vocês queiram colocar deverão ser adicionadas ao final, não comprometendo o limite de páginas.
O não cumprimento dessa especificação acarretará na desconsideração da atividade.
14/Julho, 23h59: Entrega da Resenha
até 02/Junho, 23h59: Entrega do Pré-Projeto (submissão via ECLASS)02/Junho: Apresentação do Pré-Projeto (Elevator Pitch)23/Junho: Apresentação dos Trabalhos em Grupo (submissão do material da apresentação via ECLASS)21/Julho, 23h59: Entrega do Relatório Final (pode ser em formato de artigo, entrega no ECLASS)
Professor Bernardo
O trabalho poderá ser feito em até 5 pessoas.
O objetivo do trabalho deve contemplar assuntos da aula (deep neural network, convolutional neural network, recurrent neural network) e deve ser escolhido por cada grupo. Na nossa última aula, dia 15/06, os alunos devem apresentar o grupo e qual o tema e o objetivo específico do trabalho. Ex.: 'O grupo, composto pelos alunos ....., terá como trabalho a estimativa dos casos de covid no Brasil utilizando arquiteturas de redes recorrentes, como LSTM e GRU.' Os grupos que tiverem dificuldade de escolher projetos, podem entrar em contato comigo. Algumas sugestões/ inspirações podem ser obtidas em sites de competição (ex Kaggle), mas a solução final deve conter elementos originais.
A entrega final deve ser feita individualmente por cada aluno até o dia 31/07 e deverá conter:
-
Os notebooks/ scripts com o trabalho feito e as soluções produzidas pelo grupo (comum a todos os membros do grupo); -
Documentação individual, explicando o que foi feito no trabalho, problemas encontrados e possibilidades de melhoria da solução, em formato de 'mini papers' (2-5 páginas). Cada um deve ter a sua submissão de mini-paper.
31/Julho: Entrega do notebook / scripts com o trabalho e o mini paper individual, no EClass.
Professor Bruno
Apresentar na AULA 2 (01/06/20 - 19:00 às 22:45): 10% da nota final
1) Contexto da Pesquisa, Busca de Artigos Científicos, Problema, Hipóteses e Objetivos do Projeto Analítico
Apresentar na AULA 3 (16/06/20 - 19:00 às 22:45): 30% da nota final
2) Base de Dados e Técnicas Estatísticas e/ou de Machine Learning do Projeto Analítico
Apresentar na AULA 4 (29/06/20 19:00 às 22:45): 20% da nota final
3) Referencial Teórico e Metodologia do Projeto Analítico
Apresentar na AULA 5 (30/06/20 19:00 às 22:45): 30% da nota final
4) Análise dos Dados e Resultados Encontrados
Apresentar na AULA 6 (06/07/20 19:00 às 22:45): 10% da nota final
5) Implicações Gerenciais e Conclusão do Projeto Analítico
## Última entrega até 10/08/2020.