MAPA - EMCA - INTELIGÊNCIA ARTIFICIAL PARA AUTOMAÇÃO - 53_2025

Dicas Iniciais para elaboração da atividade Mapa: veja o vídeo explicativo da atividade Mapa postado no fórum.

Uma empresa que fabrica Componentes possui um processo manual de separação de dois tipos de componentes eletrônicos cruciais (sendo eles resistores e capacitores), que são visualmente semelhantes em alguns aspectos, mas de formatos distintos, está causando erros e lentidão na linha de produção.

Você, como Engenheiro responsável pela linha de produção, está encarregado de desenvolver um sistema para automatizar essa classificação. Como primeira fase, a ideia é construir uma Rede Neural Artificial que aprenda a diferenciar esses componentes com base em características geométricas básicas.

Para realização, você recebe um conjunto de dados (que será gerado em ambiente de programação) simplificado com duas características geométricas artificiais que um sensor de visão básico pode extrair: "Proporção Largura/Altura" e "Circularidade" (um valor que indica o quão "redondo" é o objeto). O objetivo é treinar uma Rede Neural Simples para classificar se o componente é um "Resistor Quadrado" (Classe 0) ou um "Capacitor Redondo" (Classe 1).

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?