Objetivo: implementar o Mini Weka, contendo seus próprios algoritmos para induzir e empregar os modelos de classificação estudados em aula. Os indutores e classificadores devem ser um ou mais programas de linha de comando.

Entrada: os indutores devem ler arquivos de dados no formato ARFF ou MiniARFF, especificados neste documento. Os classificadores devem ler arquivos de dados no formato ARFF ou MiniARFF, bem como arquivos que representam os modelos induzidos, em formato especificado pelos autores.

Saída: os indutores devem gerar arquivos em formato especificado pelos autores do trabalho. Os classificadores devem escrever na saída padrão.

    PYTHON: print()
    C: printf()
    C++: std::count

Restrições: não é permitido utilizar bibliotecas que implementem partes que são objetos de avaliação do trabalho. Por exemplo, pode-se utilizar NumPy ou outra biblioteca para realizar operações de álgebra linear, mas não pode utilizar uma biblioteca que encontre os vizinhos mais próximos, que implemente diretamente uma função de ganho de informação ou calcule automaticamente a distância entre o exemplo de teste e os vetores de suporte. É permitido utilizar pickles ou outro formato automático de serialização.

Indutores implementados:

1. Modelo probabilístico Naive Bayes (atributos categóricos e numéricos)
2. Árvores de decisão (mínimo: ID3, ganho de informação e atributos categóricos)
3. Regras (algoritmo de cobertura estudado em aula para atributos categóricos)
4. Vizinhança (k-NN; deve ser possível utilizar distância euclidiana, Manhattan e Chebyshev)

Objetivo: aplicar o processo de Aprendizado de Máquina em um problema e descrever os resultados

Descrição:

1. Escolher um problema de classificação, regressão ou agrupamento do repositório UCI
2. Descrever o problema: qual a aplicação de AM/ML envolvido, quantos exemplos o conjunto possui, quais os atributos e seus tipos, apresentar uma breve discussão sobre o significado dos atributos.
3. Escolher um algoritmo, apresentar uma breve discussão sobre o algoritmo e motivo de escolha do mesmo.
   • Regressão linerar, ou
   • Naive Bayes, ou
   • Árvore de decisão, ou
   • SVM, ou
   • k-Means, ou
   • DBSCAN, ou
   • AGNES, ou
   • Redes neurais artificiais
4. Apresentar uma visão geral da implementação. Se fez uso do Weka, pré-processamento, emprego de engenharia de atributos.