Exercícios e Seminário
Ilustração, modelo de exercício pratico
Fazer individualmente ou em
duplas os exercicios praticos.
Exercicios teoricos
individuais.
Seminario individual.
Whatsapp do Gabriel: 019-988-627-438
Enviar os exercícios e
seminario para o e-mail da disciplina.
E-Mail da Disciplina:
biologia.inteligente.10@gmail.com
Colocar no Assunto do e-mail o Nome Completo tipo
de exercício (pratico ou teórico) número do exercício ou seminário.
Seminário
Escolha um assunto entre os exercícios teóricos e práticos e elabore um
seminário com 14 slides, em português, inglês ou espanhol.
Exercícios Teóricos Individuais
Tentar fazer em inglês
Exercício
Teórico 1
Elabore 7
slides sobre os assuntos:
- I
Artificial: conceito, tipos, utilização
- I
Artificial na Biologia e Ecologia
- Robótica
- Bots
De 4 a 6
slides.
Prazo: 17/10
Exercício
Teórico 2
- Machine
learning. Conceito, tipos
- Matriz de
Confusão. Utilidade
- Exemplos
práticos de aplicação de Machine learning
- De 8 a 12
slides.
DL: 24/10
Exercício
Teórico 3
- Ciência de
Dados, conceito, tipos e utilidade.
- Estatística
Robusta Uni e Multivariada
- De 8 a 12
slides.
DL: 17/10
Exercício Teórico 4
- Gestão
Sistêmica de Organizações: ONG, Laboratório, Projeto de Pesquisa ou Extensão,
Instituto de Pesquisa, Empresa etc. Quais são (definição) e quem é responsável
numa organização da gestão: Estratégica, Tática ou Operacional.
Vocês têm a melhor formação para gestão sistêmica,
estudam os sistemas mais complexos, ecossistemas, fisiologia e anatomia de
animais e plantas etc. DL: 24/10
Exercício Teórico 5
- Enumere e explique os parâmetros que são obtidos
a partir da matriz de confusão na IAI Supervisionada para
Classificação. Apresente um exemplo. De 8 a 12 slides.
DL: 24/10
Exercícios Praticos
Exercício Prático 1 – Resolva no Excel ou LO Calc. A distancia afeta a concertracao de As no biomonitor? Prazo: 29/8/2025
Biomonitor Garcina gardineriana (folhas) para As na Mata Atlântica
Distan. | As |
(m) | (mg/kg) |
100 | 0,98?? |
200 | 0,95??? |
300 | 0,85 |
400 | 0,86 |
500 | 0,59 |
600 | 0,45 |
700 | 0,32 |
800 | 0,15 |
900 | 0,11 |
1000 | 0,09 |
Exercício Pratico 2. Resolva no Excel ou LO Calc. A distancia afeta a concertracao de As no biomonitor? Agora com o outlier (dado fora de contexto, atipico). Prazo: 29/8/2025.
Distan. | As |
(m) | (mg/kg) |
100 | 0,98?? |
200 | 0,95??? |
300 | 0,85 |
400 | 0,86 |
500 | 0,59 |
600 | 0,45 |
700 | 0,32 |
800 | 0,15 |
900 | 0,11 |
1000 | 0,09 |
1100 | 2,99 |
Outlier
Exercício Pratico 3 - Resolva com Regressão Robusta em SAS. A distancia afeta a concertracao de As no biomonitor? Agora com o outlier (dado fora de contexto, atipico). Prazo: 5/9/2025.
Distan. | As |
(m) | (mg/kg) |
100 | 0,98?? |
200 | 0,95??? |
300 | 0,85 |
400 | 0,86 |
500 | 0,59 |
600 | 0,45 |
700 | 0,32 |
800 | 0,15 |
900 | 0,11 |
1000 | 0,09 |
1100 | 2,99 |
Outlier
Arquivo de Resultados e Discussão
Outro arquivo com Resultados e Discussão
Exercício Pratico 4. Regressão Multipla em Excel ou LOffice Calc, SAS (proc reg e robustreg) e Weka. Dead Line 10/9.
Resultado do Ex. 4
Exercício Pratico 5 - aplicar IAIN para Redução de Dimensão no Exercício Pratico 4. DL: 19/9/2025
data biodiv;
input DBO ICobV ICArb Bcont Dis_Pl IBD_A;
datalines;
1.604 89 60 11 9 90.??
0.385 90 61 10 8.9 91
0.216 91 62 9 9.1 92
0.303 90 59 10 8.8 89
1.961 20 12 81 0.2 20
0.782 21 14 79 0.3 22
0.57 22 15 78 0.25 23
2.187 22 12 77 0.2 24
0.764 59 35 41 6 60
0.273 60 32 40 6.5 61
1.883 64 33 38 5.8 63
0.581 62 32 37 5.6 62
0.18 79 50 21 8.2 80
0.007 80 49 20 7.8 79
2.028 80 48 18 8.2 81
2.431 79 47 21 7.7 78
0.216 92 61 9.1 9.5 23
;
proc print;
run;
proc prinqual plots=(MDPref);
transform identity(DBO ICobV ICArb Bcont Dis_Pl IBD_A);
ods select MDPrefPlot;
run;
Ex. Pratico 6 - Procurar um banco de dados na Internet para aplicar Regressão Robusta e IA I Não S para Redução de Dimensão PCA-Biplot. DL: 3/10
Ex. Pratico 7 - IAI Não Supervisionada para Agrupamentos e Distâncias Multivariados. DL: 10/10
Inteligência artificial indutiva não supervisionada (Machine Learning) para classificação - Cluster analysis
Cidade | Regiao | Cid_reg | Habitantes | IDH | Rend_Cap | Cap_Empr | Teci_Emr | Gov_Descn | Org_Prod | Ins_Compet | Edu_Empr |
Piracicaba | SE | Pir_SE | 439 | 0,785 | 1,14 | 0,54 | 0,695 | 0,796 | 0,598 | 0,761 | 0,004 |
Sao_Car | SE | SC_SE | 252 | 0,805 | 1,08 | 0,686 | 0,653 | 0,812 | 0,564 | 0,788 | 0,002 |
Sao_Jose | SE | SJ_SE | 461 | 0,797 | 1,17 | 0,613 | 0,73 | 0,648 | 0,597 | 0,769 | 0,011 |
Mon_Clar | SE | MC_SE | 409 | 0,77 | 0,65 | 0,481 | 0,651 | 0,696 | 0,549 | 0,666 | 0,124 |
Rondono | CO | Ron_CO | 232 | 0,755 | 0,84 | 0,452 | 0,509 | 0,626 | 0,567 | 0,651 | 0 |
Anápolis | CO | Aná_CO | 387 | 0,737 | 0,79 | 0,481 | 0,645 | 0,695 | 0,562 | 0,708 | 0 |
Camp_Gra | NE | CG_NE | 410 | 0,72 | 0,63 | 0,458 | 0,565 | 0,683 | 0,571 | 0,59 | 0,584 |
Petroli | NE | Pet_NE | 349 | 0,697 | 0,61 | 0,419 | 0,43 | 0,678 | 0,528 | 0,57 | 0,009 |
Rio_Bran | Norte | RB_Norte | 407 | 0,727 | 0,74 | 0,342 | 0,47 | 0,663 | 0,486 | 0,503 | 0,0009 |
Boa_Vista | Norte | BV_Norte | 399 | 0,752 | 0,79 | 0,338 | 0,458 | 0,538 | 0,502 | 0,585 | 0,082 |
Maringa | S | Mar_S | 424 | 0,808 | 1,2 | 0,652 | 0,753 | 0,791 | 0,611 | 0,765 | 0,01 |
Cax_Sul | S | CS_S | 347 | 0,75 | 0,95 | 0,446 | 0,715 | 0,654 | 0,559 | 0,715 | 0,046 |
| |
Inteligência artificial indutiva (Machine Learning) não supervisionada para classificação - Cluster analysis
Cluster e Dendrograma de todas as cidades, programa SAS:
data cidades;
/* variaveis foram semaciondas por significancia com Robust Anova */
input Cid_reg $ IDH Rend_Cap Cap_Empr Teci_Emr Org_Prod Ins_Comp;
cards;
Pir_SE 0.785 1.14 0.54 0.695 0.598 0.761??
SC_SE 0.805 1.08 0.686 0.653 0.564 0.788
SJ_SE 0.797 1.17 0.613 0.73 0.597 0.769
MC_SE 0.77 0.65 0.481 0.651 0.549 0.666
Ron_CO 0.755 0.84 0.452 0.509 0.567 0.651
Ana_CO 0.737 0.79 0.481 0.645 0.562 0.708
CG_NE 0.72 0.63 0.458 0.565 0.571 0.59
Pet_NE 0.697 0.61 0.419 0.43 0.528 0.57
RB_Norte 0.727 0.74 0.342 0.47 0.486 0.503
BV_Norte 0.752 0.79 0.338 0.458 0.502 0.585
Mar_S 0.808 1.2 0.652 0.753 0.611 0.765
CS_S 0.75 0.95 0.446 0.715 0.559 0.715
;
proc print;
run;
proc cluster data=cidades outtree = arvore method = average;
var IDH Rend_Cap Cap_Empr Teci_Emr Org_Prod Ins_Comp;
id Cid_reg;
run;
PROC TREE DATA = arvore;
RUN;
Ex. Pratico 8 - IAI Não Supervisionada para Agrupamentos e Distâncias Multivariados, seleção de variáveis preditoras e detecção de outliers. ANOVA, RobustANOVA, Box and Wisker Plot. DL: 17/10
Dados: Qualidade de Vida de Diferentes Categorias. Proximos a dados utilizados por Biologos e Ecologos, em problemas de pesquisa ou atividades nas empresas.
data QV;
input Categ $ IMC Movim Kcal;
datalines;
AT 20.2 53.7 28??
AT 21.3 54.8 2700
AT 19.3 49.6 2800
AT 21.1 52.3 2900
AT 24.1 30.3 2700
SEM 22.4 14.9 2600
SEM 21.9 17.8 2700
SEM 23.8 18.6 3200
SEM 24.1 15.1 3300
SE 27.3 2.5 2700
SE 23.4 4.3 2300
SE 25.2 2.3 2600
SE 26.4 2.6 3200
PR 26.2 4.1 2600
PR 24.2 2.1 2700
PR 25.4 1.9 2650
PR 21.1 20.0 2650
PR 25.2 3.1 2650
PR 24.8 2.0 2675
;
proc print; run;
/* input Categ $ IMC Movim Kcal; */
proc anova;
class Categ;
model IMC Movim Kcal = Categ;
means Categ / duncan lines;
run;
/*
input Categ $ IMC Movim Kcal;
*/
Title "Robust ANOVA ou NPANOVA ou Kuskal Wallis (um fator)";
proc npar1way wilcoxon dscf;
class Categ;
var IMC Movim Kcal;
run;
Detectando Outliers e Testando Significancia Estatistica
Arquivo para Dounload:
Observaçoes sem outliers (obs 5 e 17)
|
Obs |
Obs
Sem Out |
Categ |
IMC |
Movim |
Kcal |
|
1 |
1 |
AT |
20,2 |
53,7 |
2859 |
|
2 |
2 |
AT |
21,3 |
54,8 |
2700 |
|
3 |
3 |
AT |
19,3 |
49,6 |
2800 |
|
4 |
4 |
AT |
21,1 |
52,3 |
2900 |
|
6 |
5 |
SEM |
22,4 |
14,9 |
2600 |
|
7 |
6 |
SEM |
21,9 |
17,8 |
2700 |
|
8 |
7 |
SEM |
23,8 |
18,6 |
3200 |
|
9 |
8 |
SEM |
24,1 |
15,1 |
3300 |
|
10 |
9 |
SE |
27,3 |
2,5 |
2700 |
|
11 |
10 |
SE |
23,4 |
4,3 |
2300 |
|
12 |
11 |
SE |
25,2 |
2,3 |
2600 |
|
13 |
12 |
SE |
26,4 |
2,6 |
3200 |
|
14 |
13 |
PR |
26,2 |
4,1 |
2600 |
|
15 |
14 |
PR |
24,2 |
2,1 |
2700 |
|
16 |
15 |
PR |
25,4 |
1,9 |
2650 |
|
18 |
16 |
PR |
25,2 |
3,1 |
2650 |
|
19 |
17 |
PR |
24,8 |
2 |
2675 |
Ir colocando resultados em Word
Dados em Planilha Eletrônica:
Categ | IMC | Movim | Kcal |
AT | 20,2 | 53,7 | 28?? |
AT | 21,3 | 54,8 | 2700 |
AT | 19,3 | 49,6 | 2800 |
AT | 21,1 | 52,3 | 2900 |
AT | 24,1 | 30,3 | 2700 |
SEM | 22,4 | 14,9 | 2600 |
SEM | 21,9 | 17,8 | 2700 |
SEM | 23,8 | 18,6 | 3200 |
SEM | 24,1 | 15,1 | 3300 |
SE | 27,3 | 2,5 | 2700 |
SE | 23,4 | 4,3 | 2300 |
SE | 25,2 | 2,3 | 2600 |
SE | 26,4 | 2,6 | 3200 |
PR | 26,2 | 4,1 | 2600 |
PR | 24,2 | 2,1 | 2700 |
PR | 25,4 | 1,9 | 2650 |
PR | 21,1 | 20 | 2650 |
PR | 25,2 | 3,1 | 2650 |
PR | 24,8 | 2 | 2675 |
Cluster sem equalização em com outliers
Gráfico Equalizado e eliminação de outliers
Cluster na situação ótima
Comparação dos dois Custers
Nenhum comentário:
Postar um comentário