Você está na página 1de 8

INTELIGÊNCIA ARTIFICIAL APLICADA À AUTOMAÇÃO

TAREFA 3
Alunos: Italo Tony da Costa Alves
Victor Alves Figueira
Raul Barbosa Cosmo
Leonardo Moraes Alves
Atividade 1:

Na atividade 1, tivemos que executar os seguintes passos:


1. Carregar e ler dados de um arquivo usando o widget file.
2. Ler dados usando o widget Data Table.
3. Selecionar colunas de dados, com o widget Select Columns.
4. Selecionar filas de dados, com o widget Select Rows.
5. Avaliar a dispersão estatística de dados de dois atributos, como widget
Scatter Flow.

Figura 1 – Workflow da atividade 1.

O select columns é usado para compor manualmente seu domínio de


dados . O usuário pode decidir quais atributos serão usados e como o orange
distingue esses atributos comuns, atributos de classe (opcionais) e atribu tos de
meta. Por exemplo, para construir um modelo de classificação, o domínio seria
composto por um conjunto de atributos e um atributo de classe discreto. Os atributos
de meta não são usados na modelagem, mas vários widgets podem usá-los como
rótulos de instância.
O select rows seleciona um subconjunto de um conjunto de dados de entrada,
com base nas condições definidas pelo usuário. As instâncias que correspondem à
regra de seleção são colocadas no canal de dados correspondentes de saída.
Obtivemos, na figura 2, durante a simulação a tabela de dados. A Tabela de
dados recebe um ou mais conjuntos de dados em sua entrada e os apresenta como
uma planilha. As instâncias de dados podem ser classificadas por valores de
atributo. O widget também oferece suporte à seleção manual de instâncias de dados.

Figura 2 – Janela com os dados da atividade 1.

Em seguida plotamos esses dados e obtivemos a figura 3. O scatter plot


fornece uma visualização de gráfico de dispersão bidimensional. Os dados são
exibidos como uma coleção de pontos, cada um tendo o valor do atributo do eixo x
determinando a posição no eixo horizontal e o valor do atributo do eixo y determinando
a posição no eixo vertical. Várias propriedades do gráfico, como cor, tamanho e
formato dos pontos, títulos dos eixos, tamanho máximo do ponto e jittering, podem
ser ajustados no lado esquerdo do widget. Um instantâneo abaixo mostra o gráfico
de dispersão do conjunto de dados Iris com a correspondência de cores do atributo
de classe.
Figura 3 – Janela do gráfico contendo os dados.

Atividade 2:
Na atividade 2, tivemos que executar os seguintes passos:
1. Carregar imagens de um arquivo usando o widget Import Images.
2. Visualizar imagens carregadas usando o widget Image Viewer.
3. Ler os dados das imagens carregadas, com o widget Data Table.
4. Embarcar imagens (para detalhamento), com o widget Images Embedding.
5. Ler os dados detalhados das imagens, com o widget Data Table.
6. Depurar a filtragem de imagens, com os widgets PCA e FreeViz.

Figura 4 – Workflow da atividade 2.


Importamos a imagem por meio do import images, e obtivemos por meio do
image viewer, figura 5, a janela com todas as imagens. O image viewer pode exibir
imagens de um conjunto de dados, que são armazenados localmente ou na Internet.

Figura 5 – Janela do image viewer.

Em seguida, na figura 6, obtivemos a janela com todas as informações das


imagens.

Figura 6 - Janela com os dados da atividade 2.


O image embedding lê as imagens e as carrega em um servidor remoto ou as
avalia localmente. Modelos de aprendizado profundo são usados para calcular um
vetor de recursos para cada imagem. Ele retorna uma tabela de dados aprimorada
com colunas adicionais (descritores de imagem).

Atividade 3:
Na atividade 3, tivemos que executar os seguintes passos:
1. Carregar imagens de um arquivo usando o widget Import Images.
2. Visualizar imagens carregadas usando o widget Image Viewer.
3. Ler os dados das imagens carregadas, com o widget Data Table.
4. Embarcar imagens (para detalhamento), com o widget Images Embedding.
5. Depurar a filtragem de imagens, com o widget T-SNE.
6. Depurar a filtragem de imagens, com os widgets PCA e FreeViz.

Figura 7 – Workflow da atividade 3.

Nesta atividade, importamos as imagens por meio do import images, em


seguida fizemos sua visualização no image viewer. Utilizamos o image embedding
para a leitura das imagens, bem como para carrega-las no servidor.
Fizemos o calculo da transformada linear (PCA) dos dados de entrada,
produzindo um conjunto de dados transformados com pesos de instâncias individuais,
figura 8.
Plotamos os dados com um método estocástico de incorporação por
vizinhança. O t-SNE é uma técnica de redução de dimensionalidade, semelhante ao
MDS, onde os pontos são mapeados para o espaço 2-D por sua distribuição de
probabilidade.
Figura 8 – PCA da atividade 3.

Figura 9 – t.SNE da atividade 3.


Atividade 4:
Na atividade 4, tivemos que executar os seguintes passos:
1. Carregar os dados via internet, usando o widget file.
https://raw.githubusercontent.com/CSSEGISandDATA/COVID -
19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_c
ovid_19_confirmed_global.csv
2. Visualizar a distribuição dos dados geograficamente, usando o widget
Geomaps.
3. Fazer o pré-processamento, com o widget Preprocess, e depois processar
os dados como série temporal, com o widget As Timeseries e Scatter Plot.
4. Fazer a predição da série de um país, com o widget Predictions e Line Plot.

Figura 10 – Workflow da atividade 4.

Carregamos o arquivo utilizando o componente file, em seguida, visualizamos


na tabela de dados, figura 4. Utilizamos o geo map que visualiza os dados
geoespaciais em um mapa. Ele funciona em conjuntos de dados contendo variáveis
de latitude e longitude no formato WGS 84 (EPSG: 4326).
Utilizamos o preprocess para realizar o pré-processamento do arquivo. O pré-
processamento é crucial para obter resultados de análise de melhor qualidade. O pré-
processamento oferece vários métodos de pré-processamento que podem ser
combinados em um único pipeline de pré-processamento. Alguns métodos estão
disponíveis como widgets separados, que oferecem técnicas avançadas e maior
ajuste de parâmetros.
Em seguida, no as timeseries reinterpretamos a tabela de dados como uma
série temporal, para que possa ser usado com o restante dos widgets neste
complemento. No widget, você pode definir qual atributo de dados representa a
variável de tempo.

Figura 11 – Janela da tabela de dados da atividade 4.

Utilizando o scatter plot plotamos os dados, figura 12.

Figura 12 – Dados da atividade 4.

Você também pode gostar