ATENÇÃO: Cada membro do grupo deve fazer sua submissão individual do documento PDF no STOA para ter nota. A submissão feita por seu colega de grupo não lhe garante qualquer nota, você tem que fazer a sua própria submissão para ter alguma nota diferente de zero; para o atraso / pontualidade na entrega, eu considero o momento de sua submissão individual no e-disciplina, não a submissão do seu colega!!! 

Em grupos de 2 ou 3 ou "1,5" ... (grupos de 3 têm que fazer o item extra = Parte C; "grupos de 1" têm que ao menos discutir a solução com algum colega e registrar no relatório entregue o nome desse/a colega e as discussões feitas)

Resumo do que se quer no conjunto das diversas partes A, B, C, D: ensaiar (no MBP) e caracterizar a qualidade de generalização um regressor multivariado e de um detector multivariado, usando a técnica de 2-fold cross validation para ao menos 50+50 observações (treino e teste).

Contornos concretos:

- Parte A: Regressor multivariado (50% da nota) - y analógico

- Parte B: Detector multivariado (50% da nota) - y binário

- Nas duas partes A e B a dimensão do vetor de entradas "X" deve ser maior ou igual a 2    .... (melhor até que seja 3 ou mais)

- Nas duas partes A e B, elabore (e implemente no computador) você mesmo um mapeamento X em y elaborado de forma sintética (você cria o mapeamento / você o sintetiza) e explicite qual a fórmula empregada no mapeamento sintético que você criou, e que deve ser do tipo "y = Fsua(X) +  alpha*random" ,  envolvendo todas as variáveis de entrada x1, x2, x3 ... através de alguma fórmula matemática que você defina que seja não trivial e não linear. A componente alpha*random do y sintetizado é particularmente importante para o caso da parte A (regressor), podendo ser opcional para a parte B. A constante alpha permite através de seu valor maior ou menor que você controle o volume de aleatoriedade moderada em y a ser utilizado na geração de pares "empíricos"  dos seus ensaios computacionais.

- Tanto para os ensaios da parte A quanto para os ensaios da parte B, gere com os seus sintetizadores de X&y ao menos 50 + 50 (treino+teste) observações X&y e aplique a técnica de 2-fold cross validation na avaliação da capacidade de generalização da rede neural treinada.

- Ensaie suas redes neurais no ambiente MBP e documente seus ensaios adequadamente com comentários, capturas de telas e análises com gráficos e configurações dos ensaios, apresentando tanto aspectos quantitativos / numéricos quanto trechos dissertativos / descritivos analisando os resultados.

- Recomendação: no  regressor use nó de saída linear e no detector use tangente hiperbólica ou sigmoidal: como comentado em sala, o nó de saída linear não impõe a saturação das saídas, enquanto a tangente hiperbólica sim: a saturação não é desejável para regressores e desejável nos detectores (estes pretendem gerar saídas binárias). 

- Parte C extra, mas bastante importante para o seu aprendizado: ao menos para um dos dois problemas, use para a caracterização de qualidade de extrapolação uma medida diferente do Eqm / diferente do RMS e explique a sua pertinência e relevância.  Faça também para esse problema neste item extra um contraste mínimo de resultados comparando duas redes neurais com complexidades distintas (por exemplo 2 nós escondidos versus 4 nós escondidos).

- Parte D - Registre com o detalhe para cada parte / cada subparte, da forma melhor que puder, quanto tempo de trabalho fora da sala de aula cada um dos membros do grupo investiu para realizar cada parte desta tarefa. Apresente também a soma total de cada aluno. Este feedback é bastante importante para o docente que ministra uma disciplina com atividades práticas como esta.  Obrigado por contribuir. 

Última atualização: quinta-feira, 11 abr. 2019, 14:21