Forum Replies Created
- Posts
Olá Luan,
Acabo de publicar a atualização, mas já devo adiantar que não está sendo possível executar o notebook com GPU, por um possível bug na versão atual do TensorFlow. Entretanto, se você pular o treinamento, conseguirá seguir o raciocínio até o final.
Olá Jardel,
Na criação e evolução do projeto ao longo do curso, nós só trabalhamos com a branch
mainmesmo, apenas no repositório base nós dividimos em branches diferentes para facilitar o acesso ao código no final de cada sessão do curso. Mas se você quiser evoluir seu projeto em branches separadas, é possível criar uma branch e mudar para ela comgit chechout -B <nome-da-branch>no terminal.Olá Jardel,
Sim, o modelo deve ser registrado e versionado antes, nós tratamos disso na sessão MLflow > Registro de artefatos.
Olá Jardel,
É difícil em um curso generalista tratar de todas as aplicações possíveis, cada qual com suas especificidades, mas perceba que todas as sessões tratam primeiro de execução local, só no final nós falamos em repositórios remotos, e ainda assim não é execução em si, apenas repositório de histórico de dados, arquivos e imagens Docker. A execução toda é local, e você pode utilizar a mesma estrutura (um app que executa suas operações, empacotado em um container Docker).
Beleza Jardel! Depende da sessão do curso em que você está, por exemplo eu vi que a mensagem printou:
Initialized MLflow to track repo “dennymarcels/mlops_project”
Este é o meu repositório, na sessão apropriada o curso indica como atualizar para utilizar o seu próprio repositório via variável de ambiente.
Olá Luan,
Eu já atualizei o notebook para não depender mais da biblioteca BERT-FOR-TF, que não tem mais suporte nas versões mais recentes do Python, você vai encontrar a nova versão no mesmo link do notebook do Google Colab.
Olá Helio,
A função
np.splité usada para dividir arrays em sub-arrays. O parâmetroindices_or_sectionsdefine como essa divisão será feita. Quando seu valor é uma lista de índices, a função divide o array nos pontos indicados.No exemplo citado:
np.split(ary=array_2d_0, indices_or_sections=[2, 3], axis=1)
array_2d_0é o array original.
axis=1indica que a divisão será feita ao longo das colunas.
[2, 3]significa que o array será dividido antes da coluna 2 e antes da coluna 3.Então, dado:
array_2d_0 = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])Aplicando a função, o resultado será:
[ array([[1, 2], [5, 6]]), array([[3], [7]]), array([[4], [8]]) ]Ou seja, o array foi dividido em três partes:
Colunas 0 a 1 (antes da coluna 2)
Coluna 2 (antes da coluna 3, neste caso entre coluna 2 e coluna 3)
Coluna 3 (restante, depois da coluna 3)Espero que tenha ficado mais claro!
Olá Ivon,
Atualmente, você pode usar só
pip install tensorflowmesmo, o suporte a GPU é integrado. Inclusive pode usar a versão 2.18 já presente no ambiente.Olá César,
Pode sim, mas conforme as aplicações vão ficando mais complexas, o mais comum é ir modularizando, por exemplo cria um módulo apenas para tratar pdf e outro para tratar csv, e dentro coloca os scripts de processamento de pdf e csv. Aí o aplicativo em si importa esses módulos para servir através do endpoint. É um assunto mais complexo que ainda não temos um curso sobre, mas o caminho é esse.
Olá Álvaro,
Provavelmente é porque você já tinha carregado o Numpy antes de fazer o downgrade. Tenta instalar a versão anterior antes de importar a biblioteca.
Olá Alessandro,
Na verdade não são valores aleatórios, são resíduos que não são explicados pelos outros dois parâmetros, a tendência e a sazonalidade. Se tendência e sazonalidade explicarem sozinhos o comportamento da série temporal, então os resíduos serão zero, que é o que se observa na figura.
O tamanho do período é determinado experimentalmente, já que a priori, nós não sabemos quando os dados começam a exibir comportamento periódico, que pode ser decomposto em tendência e sazonalidade.
Olá Luna,
Depende da quantidade de dados e de recursos computacionais, se não são muitos dados e seus recursos atendem, é sempre melhor utilizar a melhor quantidade de dados possível.
Nós até cobrimos redes recorrentes (como LSTM) mas não no contexto de investimentos, você deve encontrar nos cursos com foco em redes neurais.
Carlos,
A sua variável
previsoestambém é um array bidimensional, então você precisa aplicar o métodoravelno final também.Olá Alessandro,
Todos os métodos que buscam prever valores futuros, seja no mercado de ações, seja para previsão do tempo, se baseiam no histórico passado. A expectativa é que o comportamento das séries temporais históricas se mantenha, de forma que as previsões tenham algum valor. É claro que não é tão simples, fosse assim todo mundo seria um trader de sucesso, mas a base apresentada no curso é da onde todo mundo parte. Aí vai da engenhosidade individual, de descobrir quais períodos são relevantes, quais indicadores (ou sua combinação) utilizar, ou até criar outros. O que podemos dizer é que, se o comportamento se mantiver, os resultados serão consistentes, mas isso dificilmente ocorre na prática, e é isso que os pesquisadores e traders empenhados na área buscam resolver.
