AM28CP - Aprendizado de Máquina e Reconhecimento de Padrões

HW2 - Exercícios python (14/05)

• Com base na aula L02_knn

• Implemente o knn em colab.  Não utiliza bibliotecas. Implemente com estratégia tradicional, sem usar numpy

• Use como base o dataset Iris

• Sua implementação deve permitir que 5 novos objetos sejam classificados em uma das 3 classes

• Refatore a implementação adicionando alguma melhoria de tempo ao knn, podendo ser uma fila de prioridades, qd-tree, ball-tree ou mesmo uma implementação vetorial com numpy

• Meça tempo das 2 soluções e compare

• Compartilhe o link por email

HW3 - Classificador centroid mais próximo (14/05)

• Com base na aula L05c

• Implemente o classificador do centroid mais próximo no colab.  

• Use como base o dataset Iris

• Sua implementação deve separar a base de dados em treino/teste

• Normalize os dados antes de proceder o treinamento/classificação

• A implementação deve ter a opção de utilizar distancia euclidiana. A implementação das distâncias deve ser manual (sem utilizar biblioteca, apenas numpy) 

• Deve mediar a acurácia no conjunto de treino e teste, comparar os resultados

• Compartilhe o link por email

HW4 - Análise exploratória dos dados (21/05)

• Com base na aula L06

• Estime e plote a gaussiana 1d de cada uma das caracteristicas dos dados

• Faça um scatterplot dos dados

• Use como base o dataset Iris

• Sua implementação deve separar a base de dados em treino/teste, modele para ambas os subconjuntos

• Escolha 2 características, modele e plote a gaussiana 2d resultante

• Compartilhe o link por email

HW5 - Classificador LDA, QDA (21/05)

• Com base na aula L08

• Implemente o classificadores LDA e QDA colab.   

• Use como base o dataset Iris

• Sua implementação deve separar a base de dados em treino/teste

• Normalize os dados antes de proceder o treinamento/classificação

• Deve mediar a acurácia no conjunto de treino e teste

• Compartilhe o link por email