[Denny Ceccon]

Olá Helio,

A função np.split é usada para dividir arrays em sub-arrays. O parâmetro indices_or_sections define 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_0 é o array original.
axis=1 indica 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!

• This reply was modified 2 weeks, 6 days ago by Denny Ceccon.

[Denny Ceccon]

Olá Ivon,

Atualmente, você pode usar só pip install tensorflow mesmo, o suporte a GPU é integrado. Inclusive pode usar a versão 2.18 já presente no ambiente.

[Denny Ceccon]

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.

[Denny Ceccon]

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.

[Denny Ceccon]

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.

 

[Denny Ceccon]

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.

[Denny Ceccon]

Nós até cobrimos redes recorrentes (como LSTM) mas não no contexto de investimentos, você deve encontrar nos cursos com foco em redes neurais.

[Denny Ceccon]

Carlos,

A sua variável previsoes também é um array bidimensional, então você precisa aplicar o método ravel no final também.

[Denny Ceccon]

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.

[Denny Ceccon]

Olá Erenilson,

Sim, você está certo. Tudo depende de como você define o seu problema. Se você quer chegar a conclusões estritamente sobre o grupo de estudo, então esta é sua população, mas se quer estender as conclusões para pessoas fora do grupo, então esta é sua amostra.

[Denny Ceccon]

Olá Marcelo,

O Anaconda oferece algumas IDEs, como você pode ver na documentação: https://docs.anaconda.com/working-with-conda/ide-tutorials/

Entretanto, você pode instalar a IDE independentemente. Eu, por exemplo, só uso o Anaconda para criar ambientes.

O Google Colab é um ambiente de computação online, que facilita muito a vida principalmente de alunos, já que não requer a instalação de nenhuma ferramenta, é só acessar via navegador. Hoje ele oferece suporte para Python e R.

[Denny Ceccon]

Olá Bruno,

Você tem razão, o professor fez uma simplificação considerando que a próxima cidade é definida a cada iteração do algoritmo, mas para definir o melhor caminho inteiro, o custo total deve ser considerado.

[Denny Ceccon]

Olá Marco,

No Colab, você provavelmente não está usando GPU. Acesse as configurações abaixo para configurar.

[Denny Ceccon]

Olá Moises,

Devido a uma atualização da biblioteca Pandas, agora você deve fazer:

correlations = employee_df.corr(numeric_only=True)

Já estou corrigindo no notebook também.

[Denny Ceccon]

Olá Rafael,

Você pode tratar o desbalanceamento logo no final do pré-processamento, antes de passar os dados para o algoritmo.

[Author]

Posts