Roteiro
Aula Prática
LINGUAGEM DE PROGRAMAÇÃO
ROTEIRO DE AULA PRÁTICA
Público
LINGUAGEM DE PROGRAMAÇÃO:
Unidade: U4_APLICAÇÕES_COM_PYTHON
Aula: A4_MACHINE_LEARNING_COM_PYTHON
OBJETIVOS
Definição dos objetivos da aula prática:
- Compreender os conceitos de Machine Learning;
- Realizar técnicas de machine learning;
SOLUÇÃO DIGITAL:
“Google Colab”
É uma ferramenta gratuita oferecida pelo Google que permite escrever e executar código Python
diretamente no navegador.
LINK SOLUÇÃO DIGITAL (EXCETO ALGETEC): [Link]
PROCEDIMENTOS PRÁTICOS E APLICAÇÕES
Procedimento/Atividade nº 1
Inserir o nome do experimento: Criando um modelo de Machine Learning
Atividade proposta: Você foi contratado para criar um modelo de Machine Learning que
classifica espécies de flores Iris com base em características como comprimento e largura das
sépalas e pétalas. Você usará o TensorFlow para construir, treinar e avaliar o modelo.
Passo 1: Importar Bibliotecas e Carregar Dados
• Usar bibliotecas como tensorflow, pandas e scikit-learn.
• Carregar o conjunto de dados Iris disponível no scikit-learn.
# Importar bibliotecas
import tensorflow as tf
import pandas as pd
from [Link] import load_iris
from sklearn.model_selection import train_test_split
from [Link] import StandardScaler
# Carregar conjunto de dados Iris
iris = load_iris()
X = [Link]
y = [Link]
2
Público
Passo 2: Pré-processamento dos Dados
• Dividir o conjunto de dados em treinamento e teste.
• Normalizar os dados.
Passo 3: Construir o Modelo
• Usar TensorFlow para construir um modelo de rede neural simples.
Passo 4: Treinar o Modelo
• Treinar o modelo com os dados de treinamento
Passo 5: Avaliar o Modelo
• Avaliar a precisão do modelo usando os dados de teste.
Passo 6: Fazer Previsões
Fazer previsões com o modelo treinado.
Procedimentos para a realização da atividade: Siga as etapas descritas a seguir para
realizar a atividade.
• Acesse o Google Colab e crie um novo notebook.
• Implemente as funcionalidades solicitadas usando as instruções e dicas
fornecidas.
• Teste o código com diferentes entradas para garantir que ele está funcionando
corretamente.
• Comente o código para explicar cada parte da lógica implementada.
Avaliando os resultados:
Responda a seguinte questão de acordo com o cenário a seguir:
Você está desenvolvendo um modelo de Machine Learning para classificar espécies de flores Iris
utilizando o TensorFlow. Por que o pré-processamento dos dados (como normalização e divisão
entre treino e teste) é essencial para a construção de um modelo eficiente?
Checklist:
• Acessar o Google Colab e criar um novo notebook.
• Copiar e colar o código inicial no notebook.
• Implementar as funcionalidades relacionadas e construir a exibição do relatório
final.
• Testar o código com diferentes entradas.
• Comentar o código para explicar a lógica implementada.
• Tire um print do código executado pelo menos uma vez.
3
Público
RESULTADOS
Resultados do experimento:
O estudante deve entregar um arquivo em PDF contendo toda a codificação necessária.
O arquivo deverá conter:
• Capa;
• Folha de rosto com os dados da disciplina e do aluno;
• Codificação completa do exercício;
• Prints de execução do aplicativo (quando houver);
• Referências bibliográficas (quando houver).
Resultados de Aprendizagem:
Ao final da atividade, espera-se que o aluno:
• Espera-se que o aluno seja capaz de produzir o código em Python de forma que
contemple a lógica abordada na unidade.
4
Público