🤖 Projetos de Inteligência Artificial

Repositório contendo projetos e atividades práticas de Inteligência Artificial desenvolvidos durante o curso. Os projetos abrangem desde algoritmos clássicos de busca até redes neurais e aprendizado de máquina.

📋 Índice

• Visão Geral
• Projetos
  • ATV1 - Busca de Caminho e Limpeza de Dados
  • ATV2 - Algoritmos de Busca em Grafos
  • ATV3 - Agrupamento e Redes Neurais
  • ATV4 - Classificação com KNN e Naive Bayes
  • ATV5 - Redes Neurais MLP e KNN
• Instalação
• Como Usar
• Tecnologias Utilizadas
• Autores

🎯 Visão Geral

Este repositório contém 5 atividades práticas que exploram diferentes aspectos da Inteligência Artificial:

1. Busca e Otimização: Implementação de algoritmos de busca em mapas 2D
2. Grafos: Algoritmos de busca em largura, profundidade e profundidade limitada
3. Clustering: Técnicas de agrupamento e visualização de dados
4. Classificação: Algoritmos KNN e Naive Bayes
5. Deep Learning: Redes neurais MLP para classificação

🚀 Projetos

ATV1 - Busca de Caminho e Limpeza de Dados

Arquivos: caça_tesouro.py, limp.py

Caça ao Tesouro 🗺️

Implementação de um algoritmo de busca em um mapa 2D (7x7) para encontrar um tesouro.

Características:

• Mapa representado como matriz com paredes (#), espaços vazios (.), início (S) e tesouro (T)
• Algoritmo de backtracking para encontrar o caminho até o tesouro
• Rastreamento de posições visitadas para evitar loops
• Contagem de passos e visualização do caminho percorrido

Autores: Alex Insel (RA: 21008278), João Pedro Giaretta (RA: 23008717), Thiago Luiz Fossa (RA: 23010116)

Como executar:

cd ATV1
python3 caça_tesouro.py

Limpeza de Dados 🧹

Função de limpeza de dados para filtragem de datasets de saúde cardiovascular.

Filtros aplicados:

• Idade: 10.000 - 30.000 dias
• Altura: 120 - 220 cm
• Peso: 30 - 200 kg
• Pressão arterial sistólica: 90 - 250 mmHg
• Pressão arterial diastólica: 60 - 150 mmHg

---

ATV2 - Algoritmos de Busca em Grafos

Arquivo: busca_largura_profundidade_limitada.py

Implementação e comparação de três algoritmos clássicos de busca em grafos:

Algoritmos Implementados

1. Busca em Largura (BFS) 🌊

   • Explora o grafo nível por nível
   • Garante o caminho mais curto
   • Utiliza estrutura de fila (FIFO)

2. Busca em Profundidade (DFS) 🔍

   • Explora o grafo em profundidade primeiro
   • Utiliza estrutura de pilha (LIFO)
   • Pode encontrar caminhos mais longos

3. Busca em Profundidade Limitada (DLS) 🎯

   • DFS com limite de profundidade
   • Útil para evitar loops infinitos
   • Balanceamento entre BFS e DFS

Funcionalidades:

• Geração aleatória de grafos com parâmetros configuráveis
• Visualização gráfica dos grafos e caminhos encontrados
• Medição de tempo de execução para cada algoritmo
• Comparação de desempenho

Dependências:

• networkx: Manipulação de grafos
• matplotlib: Visualização
• collections: Estruturas de dados

Como executar:

cd ATV2
python3 busca_largura_profundidade_limitada.py

Parâmetros configuráveis:

v = 100  # Número de vértices
k = 3    # Número médio de arestas por nó
limite = 5  # Limite de profundidade para DLS

---

ATV3 - Agrupamento e Redes Neurais

Arquivos: agrupamento.py, agrupamento_comentado.py, agrupamento_v1.py, NN/

Agrupamento de Dados 📊

Análise e agrupamento de dados utilizando múltiplas técnicas:

Datasets Utilizados:

• Iris Dataset: Dataset clássico de flores
• TMDB Movies: Dados de filmes do Kaggle

Técnicas de Pré-processamento:

• StandardScaler: Normalização padrão
• PowerTransformer (Yeo-Johnson): Transformação de potência para dados assimétricos

Algoritmos de Clustering:

• K-Means
• Hierarchical Clustering (Linkage)
• Bisecting K-Means

Métricas de Avaliação:

• Silhouette Score: Avalia a qualidade dos clusters

Visualizações:

• Pairplots: Relações entre variáveis
• Dendrogramas: Clustering hierárquico
• Scatter plots: Distribuição dos clusters

Rede Neural Interativa 🧠

Aplicação web completa para treinamento e visualização de redes neurais.

Arquitetura:

• Backend (NN/backend/nn.py): FastAPI + PyTorch
• Frontend (NN/frontend/): HTML + JavaScript + Plotly + Cytoscape

Funcionalidades:

• Treinamento de redes neurais para previsão de tokens
• Visualização em tempo real:
  • Gráfico de perda (loss) durante o treinamento
  • Estrutura da rede neural
  • Atualização de pesos
• Interface web interativa
• WebSocket para comunicação em tempo real

Componentes Técnicos:

• Tokenização com GPT-2
• Embeddings de palavras
• Camadas ocultas com ativação ReLU
• Otimização com Adam
• CrossEntropyLoss

Como executar:

cd ATV3/NN/backend
pip install torch transformers fastapi uvicorn
python3 nn.py
# Acesse http://localhost:8000 no navegador

Como usar o agrupamento:

cd ATV3
pip install pandas matplotlib seaborn scikit-learn scipy kagglehub
python3 agrupamento.py

---

ATV4 - Classificação com KNN e Naive Bayes

Arquivos: knn.ipynb, naiveBayes.ipynb

Implementação e análise de algoritmos de classificação usando o Forest Cover Type Dataset.

Dataset: Forest Cover Type 🌲

Previsão do tipo de cobertura florestal baseado em variáveis cartográficas.

Variáveis Contínuas:

• Elevation (Elevação)
• Aspect (Orientação)
• Slope (Inclinação)
• Horizontal_Distance_To_Hydrology (Distância horizontal à hidrologia)
• Vertical_Distance_To_Hydrology (Distância vertical à hidrologia)
• Horizontal_Distance_To_Roadways (Distância horizontal às estradas)
• Hillshade_9am (Sombreamento às 9h)
• Hillshade_Noon (Sombreamento ao meio-dia)
• Hillshade_3pm (Sombreamento às 15h)
• Horizontal_Distance_To_Fire_Points (Distância horizontal a pontos de incêndio)

Classes: 7 tipos diferentes de cobertura florestal

K-Nearest Neighbors (KNN) 👥

Análise Exploratória:

• Histogramas por classe
• Análise de correlação
• Visualização de distribuições
• PCA para redução de dimensionalidade

Otimização de Hiperparâmetros:

• GridSearchCV para encontrar o melhor K
• Teste de diferentes métricas de distância
• Cross-validation

Métricas de Avaliação:

• Acurácia
• Precision, Recall, F1-Score
• Matriz de confusão
• Classification Report

Naive Bayes 📈

Implementações:

• GaussianNB: Para variáveis contínuas
• MultinomialNB: Para dados de contagem
• Pipeline completo com preprocessamento

Pipeline:

Pipeline([
    ('scaler', StandardScaler()),
    ('classifier', GaussianNB())
])

Como executar:

cd ATV4
jupyter notebook knn.ipynb
# ou
jupyter notebook naiveBayes.ipynb

---

ATV5 - Redes Neurais MLP e KNN

Arquivos: mlp.ipynb, knn.ipynb, requirements.txt

Aplicação de redes neurais e KNN ao Cardiovascular Disease Dataset.

Dataset: Cardiovascular Disease 🫀

Previsão de doenças cardiovasculares baseado em dados clínicos e de estilo de vida.

Variáveis Contínuas:

• age_years: Idade em anos
• height: Altura em cm
• weight: Peso em kg
• ap_hi: Pressão arterial sistólica
• ap_lo: Pressão arterial diastólica

Variáveis Categóricas/Binárias:

• gender: Gênero (1: feminino, 2: masculino)
• cholesterol: Nível de colesterol (1: normal, 2: acima do normal, 3: muito acima do normal)
• gluc: Nível de glicose (1: normal, 2: acima do normal, 3: muito acima do normal)
• smoke: Fumante (0: não, 1: sim)
• alco: Consumo de álcool (0: não, 1: sim)
• active: Atividade física (0: não, 1: sim)

Variável Target:

• cardio: Presença de doença cardiovascular (0: não, 1: sim)

Multi-Layer Perceptron (MLP) 🧬

Arquitetura:

• Camadas de entrada configuráveis
• Múltiplas camadas ocultas
• Função de ativação ReLU
• Dropout para regularização
• Camada de saída com sigmoid/softmax

Pré-processamento:

• Limpeza de dados usando função limp() da ATV1
• Normalização com StandardScaler
• Tratamento de valores ausentes
• Balanceamento de classes

Treinamento:

• Otimização com Adam ou SGD
• Early stopping
• Validação cruzada
• Análise de overfitting

Métricas:

• Acurácia
• ROC-AUC
• Matriz de confusão
• Curva de aprendizado

KNN para Cardiovascular 👥

Aplicação do algoritmo KNN ao mesmo dataset com:

• Otimização de K
• Análise de diferentes métricas de distância
• Comparação com MLP

Como executar:

cd ATV5
pip install -r requirements.txt
jupyter notebook mlp.ipynb
# ou
jupyter notebook knn.ipynb

---

💻 Instalação

Pré-requisitos

• Python 3.8 ou superior
• pip (gerenciador de pacotes Python)
• Jupyter Notebook (para arquivos .ipynb)

Instalação das Dependências

Instalação Global

# Clone o repositório
git clone https://github.com/JONTK123/Projetos_IA.git
cd Projetos_IA

# Instale as dependências da ATV5 (inclui a maioria das bibliotecas)
pip install -r ATV5/requirements.txt

# Dependências adicionais para ATV2
pip install networkx

# Dependências adicionais para ATV3/NN
pip install torch transformers fastapi uvicorn websockets

Instalação por Atividade

ATV1:

pip install pandas

ATV2:

pip install networkx matplotlib

ATV3:

pip install pandas matplotlib seaborn scikit-learn scipy kagglehub
# Para a rede neural:
pip install torch transformers fastapi uvicorn websockets

ATV4 e ATV5:

pip install numpy pandas matplotlib seaborn scikit-learn plotly kagglehub

Ambiente Virtual (Recomendado)

# Criar ambiente virtual
python3 -m venv venv

# Ativar ambiente virtual
# No Linux/Mac:
source venv/bin/activate
# No Windows:
venv\Scripts\activate

# Instalar dependências
pip install -r ATV5/requirements.txt

---

🎮 Como Usar

Scripts Python (.py)

# Navegue até o diretório da atividade
cd ATV1

# Execute o script
python3 caça_tesouro.py

Jupyter Notebooks (.ipynb)

# Inicie o Jupyter Notebook
jupyter notebook

# Ou use JupyterLab
jupyter lab

# Navegue até o arquivo desejado e abra

Aplicação Web (ATV3/NN)

# Navegue até o backend
cd ATV3/NN/backend

# Execute o servidor
python3 nn.py

# Abra o navegador e acesse
# http://localhost:8000

---

🛠️ Tecnologias Utilizadas

Linguagens

• Python 3.8+: Linguagem principal
• JavaScript: Frontend da aplicação de NN
• HTML/CSS: Interface web

Bibliotecas de Machine Learning

• scikit-learn: Algoritmos clássicos de ML
  • KNN, Naive Bayes, K-Means
  • Métricas e validação
  • Pré-processamento
• PyTorch: Deep Learning
  • Redes neurais personalizadas
  • Otimização e treinamento
• Transformers: Processamento de linguagem natural
  • Tokenização com GPT-2

Visualização de Dados

• Matplotlib: Gráficos básicos
• Seaborn: Visualizações estatísticas
• Plotly: Gráficos interativos
• Cytoscape.js: Visualização de redes

Manipulação de Dados

• Pandas: Manipulação de dataframes
• NumPy: Operações numéricas
• SciPy: Algoritmos científicos

Web e API

• FastAPI: Framework web moderno
• Uvicorn: Servidor ASGI
• WebSocket: Comunicação em tempo real

Grafos e Estruturas

• NetworkX: Manipulação e análise de grafos

Datasets

• Kaggle Hub: Download de datasets
• sklearn.datasets: Datasets clássicos (Iris, etc.)

---

👥 Autores

ATV1

• Alex Insel - RA: 21008278
• João Pedro Giaretta - RA: 23008717
• Thiago Luiz Fossa - RA: 23010116

Outras Atividades

Contribuições de estudantes do curso de Inteligência Artificial.

---

📝 Estrutura do Repositório

Projetos_IA/
│
├── ATV1/
│   ├── caça_tesouro.py          # Algoritmo de busca em mapa 2D
│   └── limp.py                   # Função de limpeza de dados
│
├── ATV2/
│   └── busca_largura_profundidade_limitada.py  # BFS, DFS, DLS
│
├── ATV3/
│   ├── agrupamento.py            # Clustering com múltiplos algoritmos
│   ├── agrupamento_comentado.py  # Versão comentada
│   ├── agrupamento_v1.py         # Versão alternativa
│   ├── Atividade.pdf             # Descrição da atividade
│   └── NN/
│       ├── backend/
│       │   └── nn.py             # Backend FastAPI + PyTorch
│       └── frontend/
│           ├── index.html        # Interface web
│           └── script.js         # Lógica do frontend
│
├── ATV4/
│   ├── knn.ipynb                 # KNN para Forest Cover Type
│   └── naiveBayes.ipynb          # Naive Bayes para classificação
│
├── ATV5/
│   ├── mlp.ipynb                 # MLP para doenças cardiovasculares
│   ├── knn.ipynb                 # KNN para o mesmo dataset
│   └── requirements.txt          # Dependências do projeto
│
└── README.md                     # Este arquivo

---

🤝 Contribuindo

Contribuições são bem-vindas! Para contribuir:

1. Fork o projeto
2. Crie uma branch para sua feature (git checkout -b feature/NovaFeature)
3. Commit suas mudanças (git commit -m 'Adiciona nova feature')
4. Push para a branch (git push origin feature/NovaFeature)
5. Abra um Pull Request

---

📄 Licença

Este projeto é desenvolvido para fins educacionais como parte de atividades acadêmicas.

---

📧 Contato

Para dúvidas ou sugestões sobre o projeto, abra uma issue no repositório.

---

🎓 Aprendizados

Este repositório demonstra a aplicação prática de conceitos fundamentais de IA:

• ✅ Algoritmos de busca e otimização
• ✅ Estruturas de dados e grafos
• ✅ Aprendizado de máquina supervisionado e não supervisionado
• ✅ Redes neurais e deep learning
• ✅ Pré-processamento e análise de dados
• ✅ Visualização de dados e resultados
• ✅ Desenvolvimento de aplicações web com IA

---

🔗 Links Úteis

• Documentação Scikit-learn
• Documentação PyTorch
• Documentação NetworkX
• Documentação FastAPI
• Kaggle Datasets

---

Desenvolvido com ❤️ para aprendizado de Inteligência Artificial