Detecção de Parkinson com Deep Learning e MLflow

Utilizar um modelo Multilayer Perceptron (MLP) profundo para realizar uma tarefa de classificação binária no Dataset Parkinson's (UCI) e instrumentar o código com MLflow.

Objetivo

Treinar diferentes arquiteturas de MLP (com pelo menos 2 camadas ocultas) para classificar se um paciente tem Parkinson (status = 1) ou é saudável (status = 0). O objetivo secundário, mas igualmente importante, é utilizar o MLflow para logar os hiperparâmetros (número de camadas, neurônios, learning rate) e as métricas de avaliação, permitindo a comparação entre uma rede rasa e redes mais profundas.

O Dataset Parkinson's (UCI)

Dataset clássico de aprendizado de máquina, ideal para introdução a tarefas de classificação e redes neurais.

• Disponibilidade: O dataset pode ser acessado diretamente pelo link da UCI (link) ou através do arquivo CSV fornecido (parkinsons.data).

Atributos do Dataset

A tabela abaixo descreve as features (entradas) e a variável alvo (saída):

---

Requisitos

1. Configuração do Ambiente:
   • Instalar e configurar o MLflow.
   • Carregar os dados do arquivo (parkinsons.data ou parkinsons.csv).
2. Pré-processamento:
   • Remover a coluna name.
   • Separar features (X) e variável alvo (y).
   • Obrigatório: Aplicar Padronização (StandardScaler) ou Normalização (MinMaxScaler) nos dados de entrada.
3. Experimentação (Deep Learning):
   • Criar um loop de experimentos ou definir múltiplas execuções.
   • Testar arquiteturas com profundidade crescente (ex: iniciar com 2 camadas ocultas e testar com 3 ou 4).
   • Garantir que a rede tenha capacidade de aprender (uso de funções de ativação não-lineares como ReLU).
4. Rastreamento com MLflow:
   • Para cada experimento, iniciar uma run no MLflow.
   • Registrar parâmetros: num_layers, neurons_per_layer, learning_rate, optimizer.
   • Registrar métricas: accuracy, precision, recall, f1_score e loss.
   • (Opcional) Registrar o artefato do modelo treinado ou a figura da Matriz de Confusão.
5. Avaliação:
   • Analisar qual arquitetura (profundidade) obteve melhor desempenho no conjunto de teste.

---

Diretrizes para o Modelo e MLflow

• Profundidade da Rede: Ao contrário de perceptrons simples, aqui você deve explorar o conceito de Deep Learning. Teste configurações onde o sinal passa por múltiplas transformações (ex: Entrada -> 64 -> 32 -> 16 -> Saída).
• MLflow Tracking: Não basta apenas imprimir o resultado no console. O código deve conter chamadas como mlflow.log_param() e mlflow.log_metric().
• Configuração de Ativação:
  • Camadas Ocultas: Sugere-se ReLU ou LeakyReLU.
  • Camada de Saída: Sigmoid (para probabilidade binária) associada a uma perda binária.
• Função de Perda: BCELoss ou BCEWithLogitsLoss.

---

Passo a passo recomendado

1. Setup: Instale o MLflow (pip install mlflow) e importe as bibliotecas.
2. Dados: Carregue, limpe (remova name) e escalone os dados. Divida em Treino/Teste.
3. Função de Treino: Crie uma função que aceita hiperparâmetros (como número de camadas) e realiza o treinamento completo.
4. Experimentos:
   • Abra um contexto with mlflow.start_run():.
   • Defina uma arquitetura com 2 ou mais camadas ocultas.
   • Treine o modelo.
   • Logue os parâmetros e as métricas finais no MLflow.
5. Comparação: Execute o passo 4 novamente alterando a arquitetura (ex: adicionando mais uma camada ou mudando o número de neurônios) e compare os resultados na interface do MLflow.

---

Como executar

1. Abra o notebook no Jupyter/Colab.
2. Faça upload do dataset.
3. Execute o comando mlflow ui (se estiver local) para visualizar os resultados ou verifique os logs no próprio notebook se estiver no Colab/Kaggle.
4. Execute as células de treinamento e verifique se os experimentos foram registrados.

---

Entrega

Após concluir o desafio, você deve enviar a URL do seu código no GitHub para a plataforma.

Além disso, que tal fazer um post no LinkedIn mostrando um print da interface do MLflow comparando seus modelos e compartilhando seus insights sobre redes profundas?

Feito com 💜 por Rocketseat 👋