Neste repisotório - ao longo da disciplina de Aprendizado de Máquina da Unicamp - pude explorar alguns algoritmos que, embora sejam simples frente às tecnologias que possuímos hoje, são altamente poderosos a depender das características do problema. Além disso, como forma de aprendizado, grande parte deles foram feitos do zero (from scratch).

Nesta atividade, utilizou-se dados referente à famosa série temporal do número de manchas solares observadas pelo Atacama Large Milimiter/SubMilimeter Array (Alma). Em mãos desses dados, calculou-se a previsão do número de manchas solares através de um modelo de regressão linear simples (utilizando a equação normal) bem como a partir da utilização de técnicas de regularização. Junto da técnica de regularização, os dados foram submetidos previamente a uma transformação não linear em uma estrutura semelhante a uma Extreme Machine Learning.

Esta atividade teve como objetivo explorar duas técnicas de classificação: regressão logísitica e KNN. Com fins de entendê-las detalhadamente, elas foram elaboradas do zero (from scratch), somente com a utilização de bibliotecas mais primitivas (tal como numpy). O banco de dados utilizados para a elaboração dos algoritmos referem-se a valores de sinais de acelorômetro e giroscópio de um celular. O rótulo das amostras indicam qual atividade era realizada por um voluntário. Além da elaboração das técnicas do zero, também foram feitas discussões sobre o impacto das técnicas citadas em métricas importantes para problemas desse escopo, tais como F1_Score (Macro e Micro) e matrizes de confusão.

Banco de dados: http://archive.ics.uci.edu/dataset/240/human+activity+recognition+using+smartphones

Este projeto explorou o desempenho de diferentes técnicas de aprendizado de máquina - Rede Neural, Máquina de Vetores Suporte (SVM) e KNN - em um problema de classificação binária. Os dados utilizados referem-se a sinais de sonar para classificação de minas (cilindros metálicos) e rochas de tamanho equivalente no assoalho marinho. Destaca-se, a fim de melhor compreender as técnicas citadas, a Rede Neural e o KNN foram elaborados do zero (from scratch). Além dos resultados propriamente ditos, são apresentadas as modelagens matemáticas relativas a cada uma das técnicas de aprendizado de máquina exploradas.

Banco de dados: http://archive.ics.uci.edu/dataset/151/connectionist+bench+sonar+mines+vs+rocks