2. Regression

Neste projeto, você irá abordar uma tarefa de regressão do mundo real usando uma rede neural Perceptron de Múltiplas Camadas (MLP). O objetivo é aprofundar seu entendimento sobre redes neurais lidando com preparação de dados, implementação do modelo, estratégias de treinamento e avaliação.

Etapas do Projeto

1. Seleção do Dataset

• Escolha um dataset público para um problema de regressão. Fontes incluem:
  • Kaggle (ex: previsão de preços de imóveis, ações ou consumo de energia).
  • UCI Machine Learning Repository (ex: Concrete Compressive Strength, Air Quality, ou Wine Quality).
  • Outras fontes abertas.
• No seu relatório: Forneça o nome do dataset, URL de origem, tamanho e justificativa.

2. Explicação do Dataset

• Descreva o dataset em detalhes: O que representa? Quais são as features? Qual é a variável alvo (valor contínuo)?
• Identifique possíveis problemas: Valores faltantes, outliers ou ruído.
• No seu relatório: Inclua estatísticas resumidas e visualizações.

3. Limpeza e Normalização dos Dados

• Trate valores faltantes, remova duplicatas e detecte outliers.
• Codifique variáveis categóricas e normalize/escale features numéricas.
• No seu relatório: Justifique cada escolha e mostre exemplos antes/depois.

4. Implementação do MLP

• Implemente um MLP para regressão.
• Função de perda: MSE ou MAE para regressão.
• No seu relatório: Forneça trechos de código chave e explique os hiperparâmetros.

5. Treinamento do Modelo

• Treine seu MLP com propagação direta, cálculo da perda, retropropagação e atualizações de parâmetros.
• No seu relatório: Descreva o processo de treinamento e quaisquer desafios.

6. Estratégia de Treinamento e Teste

• Divida os dados (ex: 70/15/15) ou use validação cruzada k-fold.
• Early stopping ou outras técnicas para prevenir overfitting.

7. Curvas de Erro e Visualização

• Plote curvas de perda de treino e validação ao longo das épocas.
• Analise convergência, overfitting/underfitting e ajustes feitos.

8. Métricas de Avaliação

• Aplique métricas de regressão: MAE, MAPE, MSE, RMSE e R².
• Compare com baselines (ex: preditor de média).
• No seu relatório: Apresente resultados em tabelas e visualizações (ex: plots de resíduos).

Critérios de Avaliação

O entregável consiste em um relatório abrangente com seções para cada etapa (1-8), conclusão e referências.

Notas Importantes:

• Entregável em GitHub Pages — template;
• O prazo não é estendido — NENHUMA EXCEÇÃO para entregas atrasadas.
• Colaboração com IA é permitida, mas o aluno DEVE ENTENDER e explicar todo o código. PROVAS ORAIS podem ser realizadas.

Rubrica de Avaliação (de 10 pontos):