Relatório - Aula 4: Machine Learning com Python
Introdução
Este relatório apresenta a implementação de um modelo de Machine Learning utilizando
Python e TensorFlow para classificar espécies de flores Iris com base em características
como comprimento e largura das sépalas e pétalas. A atividade foi desenvolvida no
ambiente Google Colab, conforme roteiro da disciplina.
Objetivos
✓ Compreender os conceitos de machine learning.
✓ Realizar técnicas de machine learning utilizando TensorFlow.
✓ Construir, treinar e avaliar um modelo de rede neural simples.
✓ Fazer previsões com base em novos dados.
Implementação em Python
A seguir, o código desenvolvido e comentado passo a passo:
Explicação da Lógica
1. Importação de bibliotecas: foram utilizadas TensorFlow, Pandas e Scikit-learn.
2. Carregamento dos dados: utilizou-se o dataset Iris, disponível no Scikit-learn.
3. Pré-processamento: divisão em treino e teste (80/20) e normalização com
StandardScaler.
4. Construção do modelo: uma rede neural sequencial com duas camadas ocultas e função
de ativação ReLU.
5. Treinamento: realizado por 50 épocas, com validação em parte dos dados de treino.
6. Avaliação: a acurácia foi medida sobre o conjunto de teste.
7. Previsões: foram geradas previsões para novas amostras, comparando com as classes
reais.
Resultados Esperados
O modelo deve alcançar alta acurácia (acima de 90%) na classificação das flores Iris. As
previsões realizadas para o conjunto de teste demonstram a capacidade da rede em
generalizar a partir dos dados de treinamento.
Conclusão
Com a implementação proposta, foi possível compreender e aplicar conceitos básicos de
machine learning utilizando Python e TensorFlow. O modelo desenvolvido se mostrou
eficiente para a tarefa de classificação do dataset Iris, atendendo aos objetivos da atividade
prática.