Informações administrativas
| Titulo | Árvores de decisão |
| Duração | 2 x 45 minutos |
| Módulo | A |
| Tipo de aula | Prático |
| Foco | Prático — Modelação de IA |
| Tópico | Análise de dados |
Palavras-chave
Geração de conjuntos de dados, encaixe, complexidade do modelo,
Objetivos de aprendizagem
- aprenda os fundamentos das árvores de decisão
Preparação prevista
Eventos de aprendizagem a serem concluídos antes
Obrigatório para os Estudantes
- Palestra: Preparação e exploração de dados
- Sessão do laboratório: Preparação e exploração de dados
Facultativo para Estudantes
Nenhuma.
Referências e antecedentes para estudantes
- Scikit-Learn
- Keras
- Árvore de decisão na wikipedia
- Ron Kohavi, "Scaling Up the Accuracy of Naive-Bayes Classifiers: a Decision-Tree Hybrid", Proceedings of the Second International Conference on Knowledge Discovery and Data Mining (Proceedings of the Second International Conference on Knowledge Discovery and Data Mining, 1996).
- https://scikit-learn.org/stable/modules/tree.html
- https://pulplearning.altervista.org/algoritmi-di-machine-learning-decision-tree/
- https://www.kaggle.com/code/hamelg/python-for-data-29-decision-trees/notebook
- https://towardsdatascience.com/decision-trees-in-machine-learning-641b9c4e8052
Recomendado para professores
Nenhuma.
Materiais das aulas
Instruções para os professores
Este evento de aprendizagem consiste em tarefas laboratoriais que serão resolvidas pelos alunos com a ajuda do instrutor principal.
Pode basear esta aula em torno dos cadernos.
Esboço/horário[editar | editar código-fonte]
| Duração (min) | Descrição | Conceitos | Atividade | Materiais |
|---|---|---|---|---|
| 5 | Breve das tarefas a serem realizadas | Introdução | Palestra | |
| 5 | Gerar um conjunto de dados bidimensional | Ruído gaussiano, np.random.randn | Codificação | Caderno Jupyter |
| 10 | Montar e avaliar uma Árvore de Decisão | scikit-learn | Codificação | |
| 15 | Investigar o efeito do parâmetro de complexidade do modelo | complexidade do modelo, vetores de apoio, margem, plotagem | Documentação | |
| 5 | Encaixe o modelo | Encaixe do modelo | Codificação | |
| 15 | Avaliar e investigar o efeito do parâmetro | Avaliação dos parâmetros | Documentação | |
| 20 | Implementar um modelo pré-computado personalizado | operações matriciais em numpia | Codificação | |
| 45 | Ajustar e avaliar o modelo em dados reais | pré-processamento de dados (scaling), Precisão, Matriz de Confusão, Validação cruzada | Documentação |
Agradecimentos
O programa de mestrado em IA centrado no ser humano foi cofinanciado pelo Mecanismo Interligar a Europa da União Europeia ao abrigo de subvenções CEF-TC-2020-1 Competências Digitais 2020-EU-IA-0068.