ATIVIDADES INTEGRADORAS · DO DADO À DECISÃO

Construa, trate, proteja e avalie.

Quatro desafios encadeados para praticar uma rede multicamadas, a preparação de dados, a classificação de requisições suspeitas e a leitura crítica das métricas.

ROTEIRO

O percurso proposto

Faça as atividades na ordem. Os links de estudo abrem o conteúdo de apoio já disponível no material.

01 · MLPDefina arquitetura e implemente o treinamento.

02 · LimpezaConverta uma tabela inconsistente em dados de treino.

03 · WAFClassifique requisições antes que cheguem ao PHP.

04 · MétricasJustifique a qualidade e os riscos da decisão.

REDE NEURAL MULTICAMADAS

Implemente uma MLP configurável.

Crie um algoritmo de Perceptron Multicamadas no qual seja possível definir o número de entradas, os neurônios da camada oculta e as saídas. A implementação deve montar pesos e vieses com os tamanhos corretos e treinar a rede por backpropagation.

Forward passBackpropagationArquitetura variávelTreino e teste

Requisitos mínimos

Receber n_entradas, n_ocultos e n_saidas.
Inicializar matrizes de pesos e vieses sem valores fixos de dimensão.
Implementar ativação, forward pass, função de perda e atualização por backpropagation.
Separar treino, validação e teste; não medir desempenho no conjunto usado para ajustar pesos.
Exibir perda por época e uma métrica apropriada ao alvo.

Entrega

Entregue o código, um arquivo de configuração da arquitetura, gráfico de perda e uma breve explicação das escolhas: ativação, taxa de aprendizagem, épocas, critério de parada e métrica.

Teste pelo menos duas arquiteturas e compare erro de validação, não apenas acurácia de treino.

Explorar laboratório de rede configurável Revisar MLP e backpropagation

TRATAMENTO DE DADOS

Transforme um dataset “sujo” em dado de treino.

O arquivo fornecido descreve estudantes e o alvo aprovado. Ele contém valores ausentes, duplicata, espaços, categorias escritas de formas diferentes, formatos numéricos incompatíveis e valores fora do intervalo esperado.

Amostra de problemas presentes

id	idade	horas	frequência	modalidade	nota
003	vazio	12	95	presencial	8.9
006	320	7	83	Presencial	6.9
008	23	15	97	Híbrido	9,1
009	20	5	88	EAD	6.4

Checklist obrigatório

Padronize nomes, espaços e categorias.
Converta valores para o tipo numérico correto.
Trate NA, ? e células vazias sem usar informação do teste.
Encontre e trate duplicatas, intervalos impossíveis e outliers com uma regra justificada.
Codifique a modalidade, normalize entradas quando necessário e registre cada transformação.
Remova id_aluno das entradas: ele não representa um sinal pedagógico.

Baixar alunos_sujo.csv Menu de limpeza dos dados Normalização e padronização

CONEXÃO ENTRE AS ATIVIDADES 01 E 02

O algoritmo aprende exatamente a representação que recebe.

Use o dataset limpo como problema de classificação para a MLP. O objetivo é prever aprovado usando idade, horas de estudo, frequência, modalidade e nota de simulado.

Dataset brutoerros, ausências e escalas misturadas

Pipeline de limpezaregras aprendidas somente no treino

MLP configurávelentradas tratadas → camada oculta → saída

Teste finalmétricas e análise dos erros

SEGURANÇA DEFENSIVA · WAF COM IA

Classifique e bloqueie requisições suspeitas antes do PHP.

O kit fornece a infraestrutura completa em Docker: Nginx na frente, PHP como aplicação protegida, um pequeno serviço de decisão e uma página de teste. A única parte que o aluno altera é o algoritmo em student/model.py.

Navegadorpágina de teste

→

Nginxponto de bloqueio

→

Modelo IArisco: permitir ou bloquear

→

403 ou PHPinterrompe ou encaminha

O que já está pronto

docker-compose.yml com Nginx, PHP-FPM e serviço do modelo.
Configuração auth_request do Nginx: uma resposta 403 do modelo para a requisição protegida.
Coleta de atributos da requisição e limiar configurável.
Página HTML + JavaScript com botão para requisição normal e outra com padrão suspeito, além da visualização da resposta.
Dataset rotulado de exemplos normais e suspeitos.

Responsabilidade do aluno

Transformar os atributos em um vetor, treinar ou definir a regra/classificador e retornar um risco entre 0 e 1. Escolha o limiar a partir da validação; não use o conjunto de teste para essa decisão.

O exemplo inicial permite tudo. Após o modelo funcionar, o teste normal deve chegar ao PHP (200) e o teste suspeito deve receber 403.

Como executar o ambiente

Instale e inicie o Docker Desktop.
No terminal, entre em starter-kits/waf-ia.
Execute docker compose up --build.
Abra http://localhost:8080/testar.html e faça os dois testes.
Edite apenas student/model.py, reconstrua com docker compose up --build e repita os testes.
Ao terminar, execute docker compose down.

Abrir instruções do kit Docker Abrir arquivo do algoritmo Baixar requisicoes_waf.csv Ver diagramas MPA e SPA

AVALIAÇÃO DO MODELO

Defenda a decisão do modelo com métricas.

Avalie tanto a MLP de aprovação quanto o classificador do WAF. Apresente matriz de confusão, acurácia, precisão, recall e F1-score no conjunto de teste mantido separado.

Leitura esperada para o WAF

Métrica	Pergunta prática
Precisão	Dos bloqueios, quantos eram de fato suspeitos?
Recall	Das requisições suspeitas, quantas o WAF encontrou?
F1-score	Como está o equilíbrio entre bloqueio correto e cobertura?
Matriz	Quais erros foram bloqueios indevidos (FP) e ataques liberados (FN)?

Entrega final

Uma tabela com as métricas para cada modelo.
A matriz de confusão identificando VP, VN, FP e FN.
O limiar usado e por que ele foi escolhido.
Três exemplos de erro e uma hipótese para cada um.
Uma decisão de melhoria: mais dados, atributos melhores, limpeza, arquitetura ou ajuste de limiar.

Abrir matriz de confusão Revisar F1-score