Todas as lições

Curso

IA do 9.º ano: Python e aprendizagem automática

Usa Python, NumPy e pandas para treinar e avaliar modelos clássicos de aprendizagem automática.

Faz as lições por ordem. No fim, sabes escrever Python com estruturas de dados e funções reutilizáveis. Sabes somar vetores, calcular probabilidades e encontrar a média e o desvio-padrão. Sabes carregar, limpar e fazer gráficos de uma tabela com NumPy e pandas. Sabes ajustar uma reta aos dados, treinar classificadores de regressão logística, árvores de decisão e k vizinhos mais próximos, e agrupar dados com k-means. Sabes calcular acurácia, precisão e revocação, detetar o sobreajuste, comparar um modelo com uma base simples, e apresentar previsões de um conjunto de dados ambiental.

Como usar estas lições

  • Começa na lição marcada Faz isto. Segue quando conseguires fazer sozinho a linha por baixo do título.
  • Joga os Jogos primeiro. Depois faz os Testes. 8 de 10 certas para passar. As Fichas são em papel. As respostas estão em baixo.
  • Cada lição apoia-se na anterior. Tira notas de cada experiência: o que mudaste, o que aconteceu e porquê.
  • As lições de código usam Python num caderno online grátis. Usa só as ferramentas de IA que o teu professor aprova. Explica o código que a IA escreve por ti. Nunca ponhas dados pessoais num conjunto de dados que partilhas.

Cada lição tem jogos, testes e fichas.

0 de 36

Programação em Python

  1. 1Revisão da sintaxeEscreve Python com variáveis, condições e ciclos.
    • Usa variáveis, tipos e f-strings.
    • Escreve blocos if, for e while.
    • Lê um traceback e corrige o erro.
  2. 2Estruturas de dadosEscolhe entre listas, tuplos, conjuntos e dicionários.
    • Usa cada estrutura para o trabalho em que é melhor.
    • Escreve list comprehensions e dictionary comprehensions.
    • Aninha estruturas para guardar registos.
  3. 3Funções e módulosEscreve e testa funções reutilizáveis.
    • Usa argumentos predefinidos e de palavra-chave.
    • Escreve testes com assert.
    • Importa as tuas funções de um módulo.
  4. 4Scripts de dadosEscreve um script que limpa um ficheiro de texto.
    • Lê um ficheiro linha a linha.
    • Corrige as linhas más e salta as vazias.
    • Escreve os dados limpos num ficheiro novo.

Matemática para a aprendizagem automática

  1. 5VetoresSoma vetores e encontra a distância entre pontos.
    • Representa um ponto de dados como vetor.
    • Soma e escala vetores.
    • Calcula a distância euclidiana e o produto escalar.
  2. 6ProbabilidadeCalcula probabilidades simples e condicionais.
    • Calcula a probabilidade de um acontecimento.
    • Calcula uma probabilidade condicional a partir de uma tabela.
    • Simula lançamentos de moeda para verificar a resposta.
  3. 7EstatísticaEncontra a média, a variância e o desvio-padrão.
    • Calcula cada um à mão e no código.
    • Explica o que te diz o desvio-padrão.
    • Compara 2 conjuntos de dados pela dispersão.
  4. 8Experiências de matemáticaDesenha os dados e descreve a dispersão.
    • Desenha um histograma.
    • Desenha um gráfico de dispersão.
    • Descreve o centro, a dispersão e os valores atípicos.

Ciência de dados

  1. 9NumPyFaz contas em arrays inteiros com NumPy.
    • Cria arrays e muda-lhes a forma.
    • Usa operações vetorizadas em vez de ciclos.
    • Indexa e fatia arrays.
  2. 10pandasCarrega, filtra e agrupa uma tabela com pandas.
    • Carrega um CSV para um DataFrame.
    • Filtra linhas e escolhe colunas.
    • Agrupa e resume os dados.
  3. 11Limpar dadosTrata valores em falta e tipos errados.
    • Encontra valores em falta.
    • Preenche-os ou elimina-os, e explica a escolha.
    • Corrige tipos errados e linhas duplicadas.
  4. 12VisualizaçãoFaz gráficos que respondem a uma pergunta.
    • Escolhe o gráfico certo para a pergunta.
    • Legenda os eixos e acrescenta um título.
    • Encontra um gráfico enganador e corrige-o.

Bases da aprendizagem automática

  1. 13O que é a aprendizagem automáticaExplica como um modelo aprende um padrão a partir dos dados.
    • Compara escrever regras e aprender com os dados.
    • Define modelo, parâmetros e treino.
    • Diz 3 usos reais da aprendizagem automática.
  2. 14Supervisionada e não supervisionadaDistingue tarefas supervisionadas de tarefas não supervisionadas.
    • Diz que a aprendizagem supervisionada usa etiquetas.
    • Diz que a aprendizagem não supervisionada encontra estrutura sem etiquetas.
    • Separa 10 tarefas para cada grupo.
  3. 15O fluxo de trabalho MLLista os passos dos dados até um modelo a funcionar.
    • Ordena os passos: pergunta, dados, características, treina, avalia, põe em uso.
    • Diz o que pode correr mal em cada passo.
    • Diz porque é que os passos se repetem.
  4. 16Compara tarefas de MLAssocia problemas a regressão, classificação ou agrupamento.
    • Diz o que cada tarefa prevê.
    • Associa 10 problemas a uma tarefa.
    • Reescreve um problema como outra tarefa.

Regressão

  1. 17Regressão linearAjusta uma reta aos dados.
    • Explica o declive e a ordenada na origem.
    • Ajusta uma reta com scikit-learn.
    • Desenha a reta sobre os dados.
  2. 18CaracterísticasEscolhe e escala características.
    • Usa mais de uma característica.
    • Escala as características para o mesmo intervalo.
    • Codifica uma característica de categoria.
  3. 19ErroMede o erro com o erro quadrático médio.
    • Calcula os resíduos.
    • Calcula o erro quadrático médio e o erro absoluto médio.
    • Desenha os resíduos para encontrar um padrão.
  4. 20Prever númerosTreina um modelo de regressão e prevê valores novos.
    • Treina numa parte dos dados.
    • Prevê o resto.
    • Reporta o erro em unidades reais.

Classificação

  1. 21Regressão logísticaTreina um classificador de regressão logística.
    • Explica como transforma uma pontuação numa probabilidade.
    • Treina-o e prevê probabilidades.
    • Muda o limiar e compara.
  2. 22Árvores de decisãoTreina uma árvore de decisão e lê as divisões.
    • Treina uma árvore.
    • Desenha e lê as divisões.
    • Limita a profundidade e compara as pontuações.
  3. 23k vizinhos mais próximosClassifica com k vizinhos mais próximos e escolhe k.
    • Explica como os k vizinhos mais próximos votam.
    • Experimenta vários valores de k.
    • Diz porque é que a escala importa para os k vizinhos mais próximos.
  4. 24Treina um classificadorCompara 3 classificadores num conjunto de dados.
    • Treina os 3 na mesma divisão.
    • Compara as pontuações.
    • Escolhe um e explica porquê.

Aprendizagem não supervisionada

  1. 25SemelhançaMede quão semelhantes são 2 amostras.
    • Usa a distância euclidiana.
    • Usa a semelhança do cosseno.
    • Encontra os itens mais semelhantes num conjunto de dados.
  2. 26k-meansAgrupa dados com o agrupamento k-means.
    • Percorre o k-means à mão.
    • Corre-o no scikit-learn.
    • Desenha os grupos.
  3. 27Escolher kUsa o método do cotovelo para escolher um número de grupos.
    • Corre o k-means para vários valores de k.
    • Desenha a curva do cotovelo.
    • Confere que os grupos fazem sentido.
  4. 28Agrupa amostrasAgrupa um conjunto de dados e descreve cada grupo.
    • Agrupa um conjunto de dados real.
    • Resume cada grupo.
    • Dá um nome a cada grupo.

Avaliação do modelo

  1. 29Divisão de treino e testeDivide os dados e explica porquê.
    • Divide com train_test_split.
    • Usa um conjunto de validação para afinar.
    • Usa validação cruzada.
  2. 30Acurácia, precisão e revocaçãoCalcula acurácia, precisão e revocação.
    • Constrói uma matriz de confusão.
    • Calcula cada métrica a partir dela.
    • Escolhe a métrica que serve o problema.
  3. 31SobreajusteDeteta o sobreajuste comparando as pontuações de treino e de teste.
    • Treina um modelo que entra em sobreajuste.
    • Desenha as pontuações de treino e de teste.
    • Reduz o sobreajuste e compara.
  4. 32BaseCompara um modelo com uma base simples.
    • Constrói uma base que adivinha sempre a resposta mais comum.
    • Compara o teu modelo com ela.
    • Explica quando um modelo não vale a pena.

Projeto de aprendizagem automática

  1. 33Escolhe um conjunto de dadosEscolhe um conjunto de dados ambiental aberto e uma pergunta.
    • Encontra um conjunto de dados aberto de tempo ou de qualidade do ar.
    • Escreve uma pergunta a que ele consiga responder.
    • Escolhe regressão ou classificação.
  2. 34Prepara e exploraLimpa os dados e faz gráficos dos padrões principais.
    • Limpa os dados.
    • Faz gráficos de 3 padrões.
    • Escolhe características.
  3. 35Treina e comparaTreina 2 modelos e compara-os com uma base.
    • Treina 2 modelos.
    • Compara-os com uma base.
    • Verifica o sobreajuste.
  4. 36Prever condições ambientaisApresenta resultados, limites e próximos passos.
    • Mostra os teus resultados e gráficos.
    • Explica os limites do modelo.
    • Sugere os próximos passos.