d) Qual o valor esperado de acurácia após o treinamento do modelo?

MAPA – INTELIGÊNCIA ARTIFICIAL – 53_24

MAPA – INTELIGÊNCIA ARTIFICIAL – 53_24

A evolução tecnológica tem impulsionado o desenvolvimento e a aplicação de Inteligência Artificial (IA) em diversas áreas, desde a análise de dados até a automação de processos industriais. A IA depende de algoritmos complexos, redes neurais e grandes volumes de dados para treinar modelos que podem realizar tarefas que tradicionalmente requerem intervenção humana, como reconhecimento de padrões, tomada de decisões e predição de eventos.

A operação dos algoritmos de IA em diversos cenários possibilita a elaboração de soluções capazes de processar e interpretar grandes quantidades de dados, adaptando-se às mudanças e aprendendo continuamente. Isso é essencial para áreas como saúde, finanças, marketing e automação industrial, em que a precisão e a eficiência são cruciais. Portanto, a importância dos sistemas de IA, também conhecidos como sistemas inteligentes, não pode ser subestimada.

Atividade MAPA:

Para esta atividade MAPA, o estudante executará um script e identificará os componentes principais de um modelo de IA, além de compreender as informações contidas nos dados de treino e teste.

Link do colab: https://colab.research.google.com/drive/1fZYudjsbT1MSmVmLuNmnniWf1gbYaXsb?usp=sharing

​O que deve ser feito:

Para essa atividade MAPA, será necessário realizar três etapas importantes:

1ª etapa:

Analisar o script fornecido, considerando que o dataset contém imagens de peças com e sem defeito:

1. a) Qual a importância de balancear o dataset antes de treinar o modelo? Por quê?
2. b) Qual a métrica de avaliação apropriada para o modelo preditivo? Justifique.
3. c) Quais técnicas de pré-processamento de dados são recomendadas para este dataset?
4. d) Qual o valor esperado de acurácia após o treinamento do modelo?

​2ª etapa: 

Explique a estrutura do modelo CNN utilizado no script do Colab, abordando os seguintes pontos:

1. a) Descreva as diferentes camadas da CNN, suas funções e parâmetros principais.
2. b) Explique o propósito das funções de ativação utilizadas.
3. c) Justifique a escolha do otimizador e da função de perda.
4. d) Comente sobre os resultados obtidos e como poderiam ser melhorados.

​3ª etapa:

Explique a matriz de confusão e calcule as métricas de avaliação do modelo, incluindo acurácia, precisão, recall e F1-score. Complementar o script para incluir esses cálculos.