Observação: Os códigos para auxílio se encontra no fórum junto ao vídeo explicativo da atividade Mapa.

Passos para realização da atividade:

Observação: Os códigos para auxílio se encontra no fórum junto ao vídeo explicativo da atividade Mapa.

Geração e visualização de Dados no ambiente Colab em linguagem Python.

1.1) Importar as Bibliotecas.

1.2) Gerar Dados Sintéticos (para simular um conjunto maior)

Gerar 100 resistores e 100 capacitores.

1.3) Visualização de dados

1.4) Normalização (Escalonamento) dos Dados: Redes Neurais funcionam melhor quando as features de entrada estão em uma escala semelhante.

1.5) Divisão em Conjuntos de Treino e Teste: É crucial dividir os dados para treinar o modelo em uma parte e testá-lo em dados que ele "nunca viu" antes.

1.6) Construção e Treinamento da Rede Neural: Definição do Modelo (MLP Simples): Vamos construir uma Rede Neural com uma camada de entrada (implícita), uma camada oculta e uma

camada de saída.

1.7) Compilação do Modelo: Definimos o otimizador, a função de perda e as métricas.

1.8) Faça o Treinamento do Modelo para 50 epochs.

1.9) Avaliar no conjunto de testes

1.10) Previsão e Matriz de confusão

Com base no passo a passo e os dados coletados, responda:

1) Com base no gráfico (apresente o gráfico gerado), se as duas classes são facilmente separáveis ou se há alguma sobreposição. O que isso implica para o desafio da Rede Neural?

2) Expliquem com suas palavras por que a normalização (ou escalonamento) dos dados de entrada é uma etapa importante para treinar Redes Neurais.

3) Interprete o resultado da acurácia e a matriz de confusão. O que significam os números na matriz? Quais são os "Falsos Positivos" e "Falsos Negativos" neste contexto e qual o impacto deles na linha de produção dos componentes?