Projetos

Há dois tipos de projetos que devem ser feitos pelos estudantes:

• Projetos parciais; e

• Projeto final.

Os projetos parciais devem ser apresentados pelos estudantes após cada prova com as seguintes características:

• Implementação computacional, de preferência em linguagem Python, sobre o tema proposto pelo professor;

• Apresentação oral com slides com duração de 8 a 10 minutos;

• Relatório escrito, preferencialmente em LaTeX, com o formato padrão de um artigo científico, devendo conter as seguintes seções:

  • Resumo;

  • Abstract (em inglês);

  • Introdução;

  • Trabalhos Relacionados;

  • Metodologia;

  • Experimentos;

  • Resultados;

  • Conclusão e Trabalhos Futuros (este somente quando aplicável);

  • Referências.

O projeto final deve ser apresentado pelo estudante ao final da disciplina, com as seguintes características:

• Implementação computacional, de preferência em linguagem Python, sobre o tema proposto pelo estudante em acordo com o professor;

• Apresentação oral com slides com duração de 20 a 25 minutos;

• Relatório escrito, em LaTeX, com o formato padrão de um artigo científico, devendo conter as seguintes seções:

  • Resumo;

  • Abstract (em inglês);

  • Introdução;

  • Trabalhos Relacionados;

  • Metodologia;

  • Experimentos;

  • Resultados;

  • Conclusão e Trabalhos Futuros;

  • Referências.

Projeto Parcial 1

Neste primeiro projeto parcial, o estudante deverá:

• Escolher um banco de dados de acesso público (ver, por exemplo, os bancos do UCI https://archive.ics.uci.edu/ml/datasets.php), com as seguintes características:

  • Deve poder ser usado para classificação;

  • Deve possuir mais de 1000 (mil) amostras;

  • Deve possuir mais de 2 (duas) características.

• O banco de dados deve ser separado aleatoriamente em conjunto de treinamento e conjunto de teste.

• Implementar, em linguagem Python, o algoritmo K-NN sem e com ponderações.

• Apresentar a matriz de confusão dos resultados;

• Apresentar os resultados sob três ou mais métricas de avaliação, cujas fórmulas devem estar explícitas no relatório.

As apresentações e entrega dos relatórios serão na aula do dia 29 de abril de 2019, segunda-feira.

Projeto Parcial 2

Neste segundo projeto parcial, o estudante deverá:

• Baixar o banco de dados Abalone, retirando a característica categórica ("sex").

• Baixar o notebook linear_regression.ipynb, disponível neste site e fazer alguns experimentos (não precisa relatá-los).

• Parte 1:

  • Implementar, em linguagem Python, a regressão linear utilizando a decomposição QR estudada, aplicando-a ao banco de dados Abalone (a função numpy.linalg.qr deve ser usada).

  • Comparar os resultados obtidos em linear_regression.ipynb com os obtidos com a implementação acima.

• Parte 2:

  • Ler a primeira parte do artigo Stoppiglia2003 sobre feature ranking (classificação/seleção de características).

  • Implementar, em linguagem Python, o feature ranking descrito acima, aplicando-o às 7 características numéricas do banco de dados Abalone.

• Parte 3:

  • Implementar (faça uma busca na internet) os algoritmos K-Means e EM (para gaussianas).

  • Aplique o Modelo de Misturas Gaussianas (GMM) ao banco de dados Abalone com $k = 1, 2, 3$ gaussianas para realizar a regressão dos dados.

  • Calcule a raiz do erro quadrático médio (RMS) para os três casos de GMM, lembrando de utilizar validação cruzada.

As apresentações e entrega dos relatórios serão na aula do dia 10 de junho de 2019, segunda-feira.

Projeto Parcial 3

Não haverá o Projeto Parcial 3.

Projeto Final

No Projeto Final, o estudante deverá:

• Baixar o banco de imagens faciais ORL e outro banco de imagens (faciais ou não) com mais de 1000 amostras.

• Converter as imagens do segundo banco de dados para níveis de cinza, se forem coloridas.

• Na validação cruzada no banco ORL, utilizar o esquema leave-one-out.

• Na validação cruzada do segundo banco de imagens, utilizar k = 4 ou k=5 (escolha).

• Utilizando a função que realiza a SVD do NumPy e a distância euclidiana como medida de dissimilaridade, realizar o reconhecimento (facial ou de objeto) para os seguintes níveis de energia acumulada: 70, 80 e 90%.

• Calcular acurácia média e tempo de execução do reconhecimento (não incluir o treinamento, isto é, o pré-processsamento e o cálculo da SVD).

• Produzir os gráficos ou tabelas de acurácia média e tempo de processamento.

Todo o processo deve ser explicado com detalhes no Relatório Final, feito no estilo de artigo científico (veja as instruções acima).

As apresentações e entrega dos relatórios serão nas aulas dos dias 8 e 10 de julho.