Redes Neurais Artificiais e Suas Aplicações Práticas

Esta página apresenta um resumo interativo de um estudo prático sobre Redes Neurais Artificiais (RNAs), voltado para estudantes do ensino médio. O objetivo é demonstrar de forma acessível como construir, treinar e avaliar RNAs, transformando os dados de um relatório técnico em uma experiência visual e explorável.

por Bruno Pereira Carvalho | IFTM - Campus Ituiutaba, 2020 - 2021

Projetos de Classificação

Nesta seção, exploramos três problemas clássicos de classificação resolvidos com Redes Neurais. Cada aba revela um dataset diferente, seus objetivos, a arquitetura da rede utilizada e a performance esperada. A interação permite comparar facilmente as abordagens e resultados.

Classificação de Flores Iris

O objetivo é prever a espécie de flores (Setosa, Versicolor, Virginica) a partir de quatro atributos morfológicos. Este é um problema fundamental para testar algoritmos de classificação.

4
Atributos
>95%
Acurácia Esperada

Previsão de Séries Temporais

Aqui, a rede neural é aplicada a um problema de previsão: estimar o preço futuro de ações da BOVESPA. O gráfico interativo simula a comparação entre os valores reais e os previstos pelo modelo, usando uma janela deslizante de 50 dias de histórico para prever o próximo.

Previsão de Preços de Ações (Simulação)

Passe o mouse sobre o gráfico para ver os detalhes.

Parâmetros de Treinamento

O sucesso de uma rede neural depende fortemente do ajuste de seus hiperparâmetros. Esta seção resume os principais parâmetros utilizados em cada um dos quatro experimentos. Explore os cartões para comparar as diferentes configurações de épocas, taxa de aprendizado e arquitetura da rede.

🌸 Íris

Épocas: 10.000

Taxa de Aprendizado: 0.9

Momentum: N/A

Camada Oculta: 5 Neurônios

Otimizador: SGD

🍷 Wine

Épocas: 100.000

Taxa de Aprendizado: 0.9

Momentum: 0.3

Camada Oculta: 13 Neurônios

Otimizador: SGD

⚕️ Breast Cancer

Épocas: 100.000

Taxa de Aprendizado: 0.9

Momentum: 0.3

Camada Oculta: 30 Neurônios

Otimizador: SGD

📈 Séries Temporais

Épocas: 100.001

Taxa de Aprendizado: 0.09

Momentum: 0.03

Camada Oculta: 100 Neurônios

Otimizador: SGD

A equipe por trás do projeto

Conheça o estudante responsável pelo desenvolvimento do projeto e seu Orientador

Bruno

Bruno Pereira Carvalho

Estudante e Desenvolvedor

Diogenes

André Luiz França Batista

Dr. em Educação Cientifica e Tecnológica

Abaixo os anexos do projeto, como o edital fomentado pelo Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq), e ao final o certificado de apresentação no XI Seminário de Iniciação Científica e Inovação Tecnológica (XI SIN)

Caso o link não carregue, clique aqui para abrir em nova aba.

Caso o PDF não carregue, clique aqui para abrir em nova aba.

Caso o PDF não carregue, clique aqui para abrir em nova aba.