Crie uma rede neural fully connected para classificação
binária. Siga os passos:
- Dados: Use o dataset
Breast Cancer Wisconsin (Diagnostic).
- Pré-processamento: Normalize os dados de
entrada.
- Modelo: Construa uma rede com:
- Camada de entrada com 30 neurônios (um para cada feature).
- 2 camadas ocultas densas com 16 e 8 neurônios, respectivamente,
ativação ReLU.
- Camada de saída com 1 neurônio e ativação sigmoid.
- Treinamento: Use o otimizador Adam e a função de
perda binary cross-entropy.
- Avaliação: Avalie a acurácia e a matriz de confusão
no conjunto de teste.
Link da base: Breast Cancer Wisconsin
(Diagnostic)
Link explicação da base: https://www.kaggle.com/datasets/uciml/breast-cancer-wisconsin-data
Crie uma rede neural fully connected para classificação
multiclasse:
- Dados: Use o dataset
Iris.
- Pré-processamento: Normalize os dados.
- Modelo: Construa uma rede com:
- Camada de entrada com 4 neurônios (um para cada feature).
- 2 camadas ocultas densas com 10 neurônios e ativação ReLU.
- Camada de saída com 3 neurônios e ativação softmax.
- Treinamento: Use o otimizador Adam e a função de
perda categorical cross-entropy.
- Avaliação: Avalie a acurácia e a matriz de confusão
no conjunto de teste.
Link da base: Iris
Link explicação da base: https://www.kaggle.com/datasets/uciml/iris
Crie uma rede neural fully connected para uma tarefa de
regressão.
- Dados: Use o dataset
Boston Housing.
- Pré-processamento: Normalize os dados de
entrada.
- Modelo: Construa uma rede com:
- Camada de entrada com 13 neurônios (um para cada feature).
- 2 camadas ocultas densas com 64 e 32 neurônios, respectivamente,
ativação ReLU.
- Camada de saída com 1 neurônio (com função de ativação linear).
- Treinamento: Use o otimizador RMSprop e a função de
perda mean squared error.
- Avaliação: Calcule o erro médio quadrático (MSE) no
conjunto de teste.
Link da base: Boston Housing
Link explicação da base: https://www.kaggle.com/datasets/schirmerchad/bostonhoustingmlnd
Criar uma CNN para classificação binária em imagens.
- Dados: Use o dataset
CIFAR-10 e
selecione apenas duas classes (por exemplo, gatos e cães).
- Pré-processamento: Normalize os valores dos
pixels.
- Modelo: Construa uma rede com:
- 2 camadas convolucionais (filtros 32 e 64) com kernel 3x3 e ativação
ReLU, seguidas por maxpooling 2x2.
- 1 camada densa com 128 neurônios e ativação ReLU.
- Camada de saída com 1 neurônio e ativação sigmoid.
- Treinamento: Use o otimizador Adam e a função de
perda binary cross-entropy.
- Avaliação: Avalie a acurácia e a matriz de confusão
no conjunto de teste.
Link da base e explicação: https://www.kaggle.com/datasets/pankrzysiu/cifar10-python
No link fala com importar a base, e após a importação é possível
seguir os passos acima.
Criar uma CNN para classificação multiclasse em imagens.
- Dados: Use o dataset
CIFAR-10
completo.
- Pré-processamento: Normalize os valores dos
pixels.
- Modelo: Construa uma rede com:
- 3 camadas convolucionais (filtros 32, 64, 128) com kernel 3x3 e
ativação ReLU, seguidas por max-pooling 2x2.
- 1 camada densa com 256 neurônios e ativação ReLU.
- Camada de saída com 10 neurônios e ativação softmax.
- Treinamento: Use o otimizador Adam e a função de
perda categorical cross-entropy.
- Avaliação: Avalie a acurácia e a matriz de confusão
no conjunto de teste.
Link da base e explicação: https://www.kaggle.com/datasets/pankrzysiu/cifar10-python
No link fala com importar a base, e após a importação é possível
seguir os passos acima.