Um projeto de Machine Learning focado na construção, treino e avaliação de uma Rede Neural Artificial (RNA) em Python.
O sistema processa o clássico conjunto de dados Iris, aprendendo padrões morfológicos (medidas de sépalas e pétalas) para classificar de forma autónoma as diferentes espécies de flores.
O objetivo deste projeto foi aplicar na prática os fundamentos de Análise de Dados e Inteligência Artificial, estruturando o ciclo de vida completo de um modelo preditivo:
- Pré-processamento e normalização de dados brutos.
- Divisão estratégica de conjuntos de treino e teste (Train/Test Split).
- Arquitetura, compilação e treino de uma rede neural profunda.
- Avaliação de acurácia e geração de inferências (previsões probabilísticas).
- Python: Linguagem base utilizada no ambiente de desenvolvimento.
- TensorFlow / Keras: Construção da arquitetura da rede neural, definição do otimizador (
adam) e função de perda (sparse_categorical_crossentropy). - Scikit-Learn: Importação do dataset original, divisão dos dados para treino/teste e normalização das escalas.
- Pandas: Manipulação e estruturação inicial da base de dados.
O algoritmo foi estruturado num pipeline lógico de aprendizado:
- Preparação: Os dados foram separados e normalizados para garantir que o modelo não sofresse distorções devido a diferentes escalas numéricas.
- Rede Neural:
- Camadas Ocultas: Duas camadas densas (com 10 e 8 neurónios respetivamente), utilizando a função de ativação
ReLU. - Camada de Saída: 3 neurónios com a função
Softmax, ideal para tarefas de classificação multiclasse, pois converte as saídas em probabilidades.
- Camadas Ocultas: Duas camadas densas (com 10 e 8 neurónios respetivamente), utilizando a função de ativação
- Treino e Avaliação: O modelo foi treinado ao longo de 50 épocas (ajuste de pesos) e avaliado com dados nunca antes vistos (conjunto de teste) para medir a sua verdadeira capacidade de generalização.
Abaixo é possível visualizar a rotina de execução, desde a compilação do modelo até à geração de previsões onde o algoritmo indica a classe com maior probabilidade de correspondência:
Testes e Execução do Modelo:
Estrutura de Código (Importações e Arquitetura):
Todo o pipeline de tratamento de dados, construção da rede e treino pode ser analisado no ficheiro abaixo:
Desenvolvido por Lucas Fontes com foco no aprimoramento de fundamentos em Inteligência Artificial e Análise de Dados.