{"id":530,"date":"2023-12-13T01:39:05","date_gmt":"2023-12-13T04:39:05","guid":{"rendered":"http:\/\/localhost\/wp_2023_dez\/?p=530"},"modified":"2024-02-08T21:40:33","modified_gmt":"2024-02-09T00:40:33","slug":"projeto-ensaio-de-machine-learning","status":"publish","type":"post","link":"https:\/\/menezes.mendonca.nom.br\/index.php\/2023\/12\/13\/projeto-ensaio-de-machine-learning\/","title":{"rendered":"Projeto: Ensaio de machine learning"},"content":{"rendered":"\n<h2 class=\"wp-block-heading has-medium-font-size\">Descri\u00e7\u00e3o:<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">O objetivo desse projeto foi realizar ensaio comparativo de diversos algoritmos de <em>machine learning<\/em> (ML) aplicados \u00e0s tarefas de classifica\u00e7\u00e3o, regress\u00e3o e agrupamento. Para tanto, exploramos os principais conceitos de treinamento, ajuste de par\u00e2metros e limiares entre <em>overfitting <\/em>e <em>underfitting <\/em>para os algoritmos trabalhados.<\/p>\n\n\n\n<figure class=\"wp-block-image aligncenter size-full\"><img loading=\"lazy\" decoding=\"async\" width=\"1034\" height=\"408\" src=\"https:\/\/menezes.mendonca.nom.br\/wp-content\/uploads\/2023\/12\/BannerFML.png\" alt=\"\" class=\"wp-image-531\"\/><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">O resultado final do projeto foi um painel mostrando o desempenho comparativo dos algoritmos de ML, a partir da varia\u00e7\u00e3o dos valores dos principais par\u00e2metros de cada algoritmo, de modo a controlar os estados de <em>overfitting <\/em>e <em>underfitting<\/em>.<\/p>\n\n\n\n<h2 class=\"wp-block-heading has-medium-font-size\">Ferramentas utilizadas no projeto:<\/h2>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Linguagens: Python e Scikit-Learn<\/li>\n\n\n\n<li>Algoritmos de classifica\u00e7\u00e3o: KNN, Decision Tree, Random Forest e Logistic Regression.<\/li>\n\n\n\n<li>Algoritmos de regress\u00e3o: Linear Regression, Decision Tree Regressor, Random Forest Regressor, Polinomial Regressor, Linear Regression Lasso, Linear Regression Ridge, Linear Regression Elastic Net, Polinomial Regressionn Lasso, Polinomial Regression Ridge e Polinomial Regression Elastic Net.<\/li>\n\n\n\n<li>Algoritmos de agrupamento: K-Means e Affinity Propagation<\/li>\n\n\n\n<li>M\u00e9tricas de desempenho: Accuracy, Precision, Recall e F1-Score, R2, MSE, RMSE, MAE, MAPE e Silhouette Score<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading has-medium-font-size\">Reposit\u00f3rio do projeto:<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Consulte o c\u00f3digo e demais detalhes no <a href=\"https:\/\/github.com\/manoelmendonca\/Ensaio-de-Machine-Learning\" target=\"_blank\" rel=\"noreferrer noopener\">reposit\u00f3rio do projeto no GitHub<\/a>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Descri\u00e7\u00e3o: O objetivo desse projeto foi realizar ensaio comparativo de diversos algoritmos de machine learning (ML) aplicados \u00e0s tarefas de classifica\u00e7\u00e3o, regress\u00e3o e agrupamento. Para tanto, exploramos os principais conceitos de treinamento, ajuste de par\u00e2metros e limiares entre overfitting e underfitting para os algoritmos trabalhados. O resultado final do projeto foi um painel mostrando o [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":true,"template":"","format":"standard","meta":{"_uag_custom_page_level_css":"","footnotes":""},"categories":[11],"tags":[],"class_list":["post-530","post","type-post","status-publish","format-standard","hentry","category-projeto-de-portfolio"],"uagb_featured_image_src":{"full":false,"thumbnail":false,"medium":false,"medium_large":false,"large":false,"1536x1536":false,"2048x2048":false},"uagb_author_info":{"display_name":"mlmm","author_link":"https:\/\/menezes.mendonca.nom.br\/index.php\/author\/mlmm\/"},"uagb_comment_info":0,"uagb_excerpt":"Descri\u00e7\u00e3o: O objetivo desse projeto foi realizar ensaio comparativo de diversos algoritmos de machine learning (ML) aplicados \u00e0s tarefas de classifica\u00e7\u00e3o, regress\u00e3o e agrupamento. Para tanto, exploramos os principais conceitos de treinamento, ajuste de par\u00e2metros e limiares entre overfitting e underfitting para os algoritmos trabalhados. O resultado final do projeto foi um painel mostrando o&hellip;","_links":{"self":[{"href":"https:\/\/menezes.mendonca.nom.br\/index.php\/wp-json\/wp\/v2\/posts\/530","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/menezes.mendonca.nom.br\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/menezes.mendonca.nom.br\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/menezes.mendonca.nom.br\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/menezes.mendonca.nom.br\/index.php\/wp-json\/wp\/v2\/comments?post=530"}],"version-history":[{"count":1,"href":"https:\/\/menezes.mendonca.nom.br\/index.php\/wp-json\/wp\/v2\/posts\/530\/revisions"}],"predecessor-version":[{"id":532,"href":"https:\/\/menezes.mendonca.nom.br\/index.php\/wp-json\/wp\/v2\/posts\/530\/revisions\/532"}],"wp:attachment":[{"href":"https:\/\/menezes.mendonca.nom.br\/index.php\/wp-json\/wp\/v2\/media?parent=530"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/menezes.mendonca.nom.br\/index.php\/wp-json\/wp\/v2\/categories?post=530"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/menezes.mendonca.nom.br\/index.php\/wp-json\/wp\/v2\/tags?post=530"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}