Na semana passada vocês fizeram um primeiro ensaio com regressores multivariados, trabalhando dados empíricos sintéticos que foram "absorvidos/aprendidos" por um modelo de regressão multivariada desenvolvido por você nas atividades práticas e entregas. 

Nesta aula (30-03-2020) e nesta semana, buscaremos avançar o aprendizado de regressores, trabalhando a ideia de medidas de qualidade do regressores,  geradas em situações de generalização, ou seja, quando o regressor já treinado / com seus parâmetros internos otimizados (no caso de redes neurais esses parâmetros são os pesos sinápticos).

-- 

O roteiro aproximado de atividades a serem desenvolvidas remotamente hoje:

Entre 15:00h e 15:30h / 15:45:

1- Assista e entenda o vídeo curto que postei no e-disciplinas para esta aula, que aborda medidas de qualidades em regressores e registre dúvidas no fórum de P & R que abrimos nesta disciplina já em aulas anteriores. Buscarei responder as dúvidas durante o próprio horário de aula.

Até aproximadamente 17h:

2- Considerando um problema de regressão que você vê como viável de ensaio e com utilidade clara para você, ou seja, considerando o problema de regressão que você desenvolveu em aulas anteriores e inclusive sobre o qual já teve críticas de colegas para refino, em função de atividades que desenvolvemos em aulas anteriores: defina ao menos 2 medidas de qualidade que sejam diferentes de Eqm e de RMS e justifique porquê elas são relevantes para o SEU regressor, aquele que pretende impementar como um dos trabalhos práticos até a data da P1. 

Explique em relatório preliminar a razão da sua escolha pelas duas medidas selecionadas, como elas são úteis ao usuário do SEU regressor, e esboce em pseudo-código (ou mesmo em código final) um algoritmo para gerar as duas medidas em questão, com base em (digamos) 25 pares empíricos Y & y que serão futuramente ensaiados no seu regressor já treinado (não hoje, ensaiado futuramente, é claro).  

3- Busque implementar durante a aula, no ambiente computacional que achar adequado, ao menos uma das medidas que você escolheu e busque testar seu código com o regressor sintético / didático da semana passada. Gere os 25 pares empíricos de teste, adicionais aos 50 de treino gerados na semana passada, usando o mesmo código de geração de pares empíricos desenvolvido na aula passada. 

4- Se conseguir finalizar os ensaios acima ainda em aula, busque agora dar os passos que conseguir ainda em aula, para a realização dos mesmos ensaios feitos acima em caráter de tese e depuração do código de medida de qualidade (item 3), mas agora neste item (4), atuando sobre dados empíricos que você tenha para o SEU regressor de interesse. Claro, neste desafio, está implícito: A) ter os seus dados empíricos em mãos / a possibilidade de coletá-los concretamente e B) gerar um modelo regressor para seus dados empíricos, de forma similar ao que fizemos semana passada no contexto de dados sintéticos, mas agora com os seus dados; ou seja, eu imagino que no horário de aula você conseguirá fazer apenas parte deste item.  

Entre 17:30 e 18:20:

5- Pare de avançar na parte técnica por agora e concentre-se exclusivamente na geração do relatório técnico em PDF registrando e organizando os resultados e a sua atividade conseguida hoje.

Faça o upload desse PDF entre 18:20 e 18:30: Avance no seu relatório parcial até 18:20, incluindo tudo que conseguir fazer e documentar até as 18:20! 

Após o horário de fim de aula, e após fazer o upload obrigatório citado acima, pode retomar os pontos pendentes, ao longo da semana:

6- Até 2a feira 12h, gere um relatório com suas simulações computacionais dos diversos itens acima. Inclua como anexo obrigatório no seu relatório, a imagem do upload parcial feito acima no horário de aula.

Última atualização: terça-feira, 21 abr. 2020, 09:36