wiki

Formação Técnicas IA: mudanças entre as edições

← Edição anterior
 
(7 revisões intermediárias por 2 usuários não estão sendo mostradas)
Linha 3: Linha 3:


* '''Orientadores''':  
* '''Orientadores''':  
** Luigi Negrini
** Luiz Cláudio Theodoro
** Luiz Cláudio Theodoro
**
<br>
<br>


* '''Time''' inicial:
* '''Time''' inicial:
**  
** Giovana Amaral
** Pesquisadores em fase de contratação
<br>
<br>


Linha 18: Linha 19:
<br>
<br>


* Cyberglossary Fortinet [[https://www.fortinet.com/br/resources/cyberglossary/aaa-security]]
* Documentação scikit-learn [[https://scikit-learn.org/stable/user_guide.html]]
* IEEE [[https://ieeexplore.ieee.org/document/9823249]] - verificar se temos esse acesso
* Classificação x Regressão x Clusterização [[https://medium.com/@chandu.bathula16/understanding-classification-regression-and-clustering-in-machine-learning-machine-learning-8b77b4b27c87]]
* FreeRadius Guide Wiki [[https://wiki.freeradius.org/guide/Getting-Started]]
* Métricas de avaliação de um modelo [[https://medium.com/data-hackers/principais-m%C3%A9tricas-de-classifica%C3%A7%C3%A3o-de-modelos-em-machine-learning-94eeb4b40ea9]]
* Authentication Authorization and Accounting Configuration Guide Cisco IOS XE Release 3S [[https://www.cisco.com/c/en/us/td/docs/ios-xml/ios/sec_usr_aaa/configuration/xe-3s/sec-usr-aaa-xe-3s-book.pdf]]
* Feature Importance (exemplo com Randon Forest) [[https://medium.com/lets-data/desvendando-a-import%C3%A2ncia-das-features-em-data-science-102b1d2def2e]]
* Cisco [[https://www.cisco.com/c/pt_br/support/docs/security-vpn/terminal-access-controller-access-control-system-tacacs-/10384-security.html]]
* Obter acesso ao dataset do case.
*  
<br>
<br>


=  '''Escopo''' =
=  '''Escopo''' =
:: 01.Fundamentos de Inteligência Artificial
* Fundamentos de Inteligência Artificial
:: 01.1 O que é IA? Tipos e aplicações;
** O que é IA? Tipos e aplicações;
:: 01.2 Introdução a tratativa de dados;
** Introdução a tratativa de dados;
:: 01.3 Python para IA: NumPy, Pandas e sklearn.
** Python para IA: NumPy, Pandas, matplotlib e sklearn.
:: Entrega: Realizar a leitura via código de um dataset, direcionando uma possível tratativa dos dados.
*** Entrega: Realizar a leitura via código de um dataset, direcionando uma possível tratativa dos dados.
<br>


:: 02. Aprendizado de Máquina
* Aprendizado de Máquina
:: 02.1 Aprendizado supervisionado x não supervisionado;
** Aprendizado supervisionado x não supervisionado;
:: 02.2 Classificação x Regressão x Clusterização;
** Classificação x Regressão x Clusterização;
:: 02.3 Métricas de avaliação de modelos.
** Métricas de avaliação de modelos.
:: Entrega: Levantamento de situações que cada tipo de aprendizado é relevante e o que é cada métrica de avaliação.
*** Entrega: Levantamento de situações que cada tipo de aprendizado é relevante e o que é cada métrica de avaliação.
<br>


:: 03. Classificação
* Classificação
:: 03.1 Decision Trees, Random Forest e outros classificadores;
** Decision Trees, Random Forest e outros classificadores;
:: 03.2 Feature Importance.
** Feature Importance.
:: Entrega: Treinar um modelo de classificação em um dataset atribuído, apresentar métricas de desempenho e o feature importance.
*** Entrega: Treinar um modelo de classificação em um dataset atribuído, apresentar métricas de desempenho e o feature importance.
<br>


:: 04. Clusterização
* 04. Clusterização
:: 04.1 Hierarchical clustering e outras técnicas;
** Hierarchical clustering e outras técnicas;
:: 04.2 Avaliação de performance em clusterização.
** Avaliação de performance em clusterização.
:: Entrega: Treinar um modelo de clusterização em um dataset atribuído e avaliar sua performance.
*** Entrega: Treinar um modelo de clusterização em um dataset atribuído e avaliar sua performance.
<br>
<br>


Linha 62: Linha 65:




= '''Case''' =
= '''Case 1''' =
* Identificar qual a técnica mais adequada para um problema de gerenciamento de rede e correlação de alarmes, justificando a escolha do modelo. Embase a justificativa na comparação dos resultados com mais de uma técnica de treinamento, caso haja mais de uma pessoa realizando a formação, é indicado o debate e comparação de outras técnicas diferentes das que foram mencionadas explicitamente no escopo.
* Identificar qual a técnica mais adequada para um problema de gerenciamento de rede e correlação de alarmes, justificando a escolha do modelo;
* Embasar a justificativa na comparação dos resultados com mais de uma técnica de treinamento;
* Caso haja mais de uma pessoa realizando a formação, é indicado o debate e comparação de outras técnicas diferentes das que foram mencionadas explicitamente no escopo.
<br>
<br>
= '''Case 2''' =
* A ser definido.


= '''Próximos passos''' =
= '''Próximos passos''' =
Linha 77: Linha 85:


= '''Reuniões''' =
= '''Reuniões''' =
* As reuniões acontecerão às
* As reuniões semanalmente em horário a ser marcado


= Enquadramento =
= Enquadramento =

Edição atual tal como às 10h25min de 19 de fevereiro de 2025

Participantes


  • Orientadores:
    • Luigi Negrini
    • Luiz Cláudio Theodoro


  • Time inicial:
    • Giovana Amaral
    • Pesquisadores em fase de contratação


Roadmap


Material de estudo


  • Documentação scikit-learn [[1]]
  • Classificação x Regressão x Clusterização [[2]]
  • Métricas de avaliação de um modelo [[3]]
  • Feature Importance (exemplo com Randon Forest) [[4]]
  • Obter acesso ao dataset do case.


Escopo

  • Fundamentos de Inteligência Artificial
    • O que é IA? Tipos e aplicações;
    • Introdução a tratativa de dados;
    • Python para IA: NumPy, Pandas, matplotlib e sklearn.
      • Entrega: Realizar a leitura via código de um dataset, direcionando uma possível tratativa dos dados.


  • Aprendizado de Máquina
    • Aprendizado supervisionado x não supervisionado;
    • Classificação x Regressão x Clusterização;
    • Métricas de avaliação de modelos.
      • Entrega: Levantamento de situações que cada tipo de aprendizado é relevante e o que é cada métrica de avaliação.


  • Classificação
    • Decision Trees, Random Forest e outros classificadores;
    • Feature Importance.
      • Entrega: Treinar um modelo de classificação em um dataset atribuído, apresentar métricas de desempenho e o feature importance.


  • 04. Clusterização
    • Hierarchical clustering e outras técnicas;
    • Avaliação de performance em clusterização.
      • Entrega: Treinar um modelo de clusterização em um dataset atribuído e avaliar sua performance.


Metodologia

  • Justo: o desenvolvimento se adequa ao perfil de cada um. Primeiro é feita uma avaliação de conhecimentos. A partir daí são definidos os conteúdos que ele deverá assimilar e a rota que deverá percorrer. Resumindo, os tópicos que cada um deverá estudar serão definidos de acordo com o perfil, carga horária, capacidade e interesse.
  • Autodidata: Não haverá professores e sim, orientadores. O aluno completará uma sequência pré-definida para aprendizado de alguns conhecimentos recebendo um material básico onde terá liberdade para estudo. Terão sempre a disposição alguém para consulta em caso de dúvidas.
  • Colaborativo: A partir do momento que se inicia uma caminhada cada passa a fazer parte do grupo de discussão onde haverão interações presenciais ou virtuais, boa parte das vezes com os orientadores ou com especialistas. Com esse formato, cada um tem toda a liberdade de questionar, trocar informações e atualizar-se sobre vários quesitos de forma bem produtiva.
  • Intenso: Na rota escolhida, o estudante será solicitado em várias atividades que exigirão muita atenção portanto requer disciplina, foco e dedicação. Sempre haverá um escopo bem definido e datas para conclusão para cada atividade. Em tese, sempre haverá algo para estudar, desenvolver, escrever ou testar.


Integração Contínua

Erro ao criar miniatura: Arquivo não encontrado
Ambiente de Integração Contínua



Case 1

  • Identificar qual a técnica mais adequada para um problema de gerenciamento de rede e correlação de alarmes, justificando a escolha do modelo;
  • Embasar a justificativa na comparação dos resultados com mais de uma técnica de treinamento;
  • Caso haja mais de uma pessoa realizando a formação, é indicado o debate e comparação de outras técnicas diferentes das que foram mencionadas explicitamente no escopo.


Case 2

  • A ser definido.

Próximos passos

  • 1. Enquadramento
  • 2. Estudo do tópico
  • 3. Avaliação do aprendizado
  • 4. Desenvolvimento
  • 5. Entrega
  • 5. Retorna passo 2
  • 6. Inovação


Reuniões

  • As reuniões semanalmente em horário a ser marcado

Enquadramento

  • Kick-off: 00/00/0000 - 00h00

Estudo dos Tópicos


Tópico Tempo de estudo Orientador Material
Tópico 1 xx horas Luiz Cláudio


Entrega


>

Disponível em “http://3.143.69.156/wiki/index.php?title=Formação_Técnicas_IA&oldid=93238”