Bem-vindos à postagem da Semana 19 do Projeto ZL Academy! Nesta semana, continuamos nossa jornada em aprendizado de máquina e infraestrutura em nuvem, explorando novas técnicas para melhoria de modelos, a aplicação de PCA, e nos preparamos para a Feira de Projetos.
20 de Janeiro de 2025: Ambiente Cloud e PCA
Na segunda-feira, tivemos uma aula que combinou teoria e prática. Exploramos a aplicação de PCA (Principal Component Analysis) e recebemos uma visita dos colaboradores da LG Eletronics, Lohan e Vitor, que nos ajudaram a configurar o ambiente Cloud.
Passos para Configuração do Ambiente Cloud:
Acesso ao portal: Acesse savpc.lge.com usando o login e senha fornecidos pela equipe LG.
Download e instalação do Cloud PC Connect APP: Clique no botão cinza “Download” para baixar o aplicativo e instale-o em sua máquina.
Utilização do OTP: Gere um código temporário (Token) pelo celular para autenticação segura.
Iniciação do ambiente: Clique em “Start&Connect” e aguarde de 3 a 5 minutos. Caso não funcione, tente reiniciar ou utilize a opção “Repair”.
Observações Importantes:
O ambiente Cloud não pode estar logado em mais de uma máquina simultaneamente.
Utilize o navegador padrão (Google Chrome) para melhor compatibilidade.
Mantenha os arquivos organizados e salve-os em pastas adequadas para evitar problemas de performance.
Benefícios do PCA explorados em aula:
Redução de ruído nos dados.
Menor consumo de memória e tempo de treinamento.
Redução de overfitting.
Seleção de componentes com maior variância, mantendo a representatividade dos dados.
21 de Janeiro de 2025: ResNet50 e PCA
A aula de terça-feira foi dedicada ao uso do modelo pré-treinado ResNet50 como extrator de características. A pipeline desenvolvida foi a seguinte:
Dados: Entrada com 2000 imagens.
Modelo pré-treinado: Utilização do ResNet50 sem a camada TOP, com parâmetros congelados.
Redução de dimensionalidade com PCA: Os 2000 dados foram reduzidos para 100 componentes principais.
Classificação: Aplicamos classificadores tradicionais (SVM, Random Forest e Logistic Regression).
 |
| Figura 1: Anotações da aula do dia 21 de janeiro de 2025. |
Vantagens de usar o PCA nesse processo:
Menor consumo de recursos computacionais.
Melhor desempenho ao evitar redundâncias nos dados.
Aumento da capacidade de generalização dos modelos treinados.
22 de Janeiro de 2025: Desenvolvimento do Trabalho 6
A quarta-feira foi voltada para a realização do Trabalho 6, que consistiu em:
Utilizar o ResNet50 como extrator de características.
Aplicar PCA com diferentes valores de n_componentes, avaliando os resultados para cada variação.
Testar três classificadores tradicionais:
Logistic Regression
SVM (kernel RBF)
Random Forest (100 a 500 árvores)
Os resultados foram analisados através de matrizes de confusão e relatórios de classificação.
23 e 24 de Janeiro de 2025: Mentoria, Preparativos para a Feira de Projetos e Desenvolvimento do Trabalho 7
Nesses dias, recebemos orientação para finalizar os relatórios mensais de atividades e nos organizamos para a Feira de Projetos, que contará com a presença de representantes de iniciativas importantes como DX Eldorado e Machine Maclyne.
Atividades realizadas:
Configuração do ambiente Cloud para execução de exercícios práticos com automação.
Elaboração de um pitch de 5 minutos para apresentar os processos e soluções desenvolvidas durante o projeto.
Discussão sobre a apresentação de artigos científicos por dois membros do projeto ZL Academy.
Conclusão do Trabalho 7, feito em sala de aula com os membros Ademar Castro, Jade Santos e Natália Rufino.
Trabalho 7: Comparativo de Modelos
Neste trabalho, utilizamos datasets gerados pelas equipes para realizar uma análise detalhada do desempenho de classificadores tradicionais. Os passos incluíram:
1. Extração de Características: ResNet50 como base.2. Redução com PCA: Seleção das principais componentes.
- SVM
- Random Forest
- Logistic Regression
Resultados:
O desempenho foi avaliado através de relatórios de classificação e matrizes de confusão, destacando o modelo mais eficiente.