Semana 18: Modelos Avançados, TensorFlow e Workshop de Startups

Bem-vindos à postagem da Semana 18 do Projeto ZL Academy! Nesta semana, exploramos temas avançados de aprendizado de máquina, criamos ambientes de desenvolvimento, aprendemos sobre startups e desenvolvemos projetos desafiadores com datasets gerados por nossa equipe.

13 de Janeiro de 2025: Ambiente Virtual e TensorFlow

Na aula de segunda-feira, demos início à configuração de um ambiente virtual com o Conda. Essa prática é essencial para isolar dependências e garantir um ambiente estável para projetos de aprendizado de máquina.

Etapas Realizadas:

1. Criação do ambiente virtual com Conda:
conda create --name turma02 python=3.10
conda activate turma02

2. Instalação de bibliotecas essenciais:
pip install pandas jupyter opencv-python scikit-learn seaborn

3. Instalação do TensorFlow com suporte CUDA:
pip install tensorflow[and-cuda]

Com essa configuração, nosso ambiente estava pronto para utilizar bibliotecas de machine learning e deep learning.

14 de Janeiro de 2025: Modelos Tradicionais e ResNet50

Nesta aula, trabalhamos com o dataset potato_chips (classificação de gatos e cachorros) utilizando o modelo pré-treinado ResNet50 e três modelos tradicionais:

Logistic Regression
Random Forest
SVM

Esse exercício nos permitiu explorar o desempenho de modelos clássicos em um dataset baseado em imagens.

15 de Janeiro de 2025: Workshop de Startups

A quarta-feira foi dedicada a um workshop inspirador sobre startups. Os tópicos abordados incluíram:

O que é uma startup?
Do Problema à Solução: Como transformar problemas em oportunidades de negócio.
Modelo de Negócio e MVP: Criação de protótipos e produtos mínimos viáveis.
Financiamento e Investimento: Tipos de investimento e como captar recursos.
Casos de Sucesso Global: Uber e Spotify.
Casos de Sucesso no Amazonas: Aeroriver e Navegam.
Introdução ao Pitch de Startups: Técnicas para apresentar ideias de forma eficaz.

Atividade Prática:

Nossa equipe, Linus, apresentou o produto Amazôniq, um energético sustentável feito a partir de frutas nativas do Amazonas, como o guaraná. Trabalhamos no pitch da ideia, abordando:

A solução proposta.
O modelo de negócio.
Estratégias de escalabilidade.

Figura 1: Início do Workshop de Startups.

16 de Janeiro de 2025: Mentoria e Atualização do Blog

Este dia foi dedicado a mentorias individuais para desenvolvimento das atividades práticas e atualização do blog. Aproveitamos para refinar os projetos realizados ao longo da semana e planejar as apresentações.

17 de Janeiro de 2025: ResNet50 com PCA

Encerramos a semana retornando ao modelo ResNet50, mas agora adicionando a técnica de PCA (Principal Component Analysis) para redução de dimensionalidade. Isso possibilitou melhorar a eficiência dos modelos treinados, mantendo um bom desempenho.

Atividades Práticas da Semana

Trabalho 4: Geração e Utilização de um Dataset Personalizado

Baseado na aula do dia 14, desenvolvemos um dataset exclusivo, gerado com fotos tiradas pelos integrantes da equipe Linus. O trabalho consistiu em:

Coleta de Imagens: Cada integrante foi responsável por gerar ao menos 50 fotos, totalizando 200 imagens em duas classes:

Peru
Cacatua

Treinamento de Modelos Tradicionais: Treinamos os modelos LogisticRegression, RandomForest e SVM utilizando o dataset personalizado.

Resultados:

Treinamento do Modelo:

Figura 2: Treinamento dos modelos no trabalho 4.

Predição da Classe Peru:

Figura 3: Predição da classe peru no trabalho 4.

Predição da Classe Cacatua:

Figura 4: Predição da classe cacatua no trabalho 4.

Diretórios de Treino e Teste:

Figura 5: Diretórios de treino e teste.

Trabalho 5: Melhoria de Modelos

Baseado nos códigos hands-on desenvolvidos em sala, buscamos melhorar a acurácia do modelo (originalmente 98,23%) utilizando as seguintes técnicas:

Data Augmentation para aumentar a diversidade do dataset.
Particionamento da Base: Experimentamos diferentes proporções para treino e teste.
Dropout: Adicionado para reduzir overfitting.
Variação de Otimizadores: Exploramos otimizadores como Adam e SGD.
Ajuste no Número de Épocas: Variamos o número de iterações para encontrar o melhor ponto de convergência.

Resultados Alcançados:

Treinamento dos Modelos:

Figura 6: Treinamento dos modelos do trabalho 5.

Melhor Acurácia Obtida:

Figura 7: Resultado alcançado no trabalho 5.

Matriz de Confusão:

Figura 8: Matriz de confusão do trabalho 5.

Relatório de Classificação:

Figura 9: Relatório de classificação do trabalho 5.

A Semana 18 foi repleta de desafios e aprendizados. Exploramos desde a configuração de ambientes de desenvolvimento até a criação e otimização de modelos avançados. Além disso, o workshop de startups trouxe insights valiosos sobre inovação e empreendedorismo.

Gostou do conteúdo? Fique de olho em nossas próximas postagens para acompanhar o progresso do Projeto ZL Academy!