Forum Replies Created
- Posts
Olá Guilherme,
Como atualizar o código em função de novas versões das bibliotecas pode ser bem trabalhoso, nosso compromisso é garantir que o código funciona na versão apresentada na aula. Eu acredito que o Pandas versão 1.5.3 (atualmente disponível no Colab) está funcionado corretamente.
Poder pode, mas se você sabe que é uma reta, faz mais sentido usar uma regressão linear de uma vez, é mais econômico computacionalmente e o erro será menor.
O ruído provavelmente seria suavizado, esta é uma das aplicações dos autoencoders, mas se um sensor for desligado você não tem sinal de entrada então a rede provavelmente não produziria nada, ela tentaria codificar e depois decodificar o sinal zerado.
Se os sensores têm funcionamento similar e são caracterizados pelas 120 medidas, me parece fazer mais sentido treinar uma rede com 120 neurônios de entrada e saída. Já se cada sensor funciona de forma diferente, você precisaria de 96 redes neurais, uma para cada sensor. Não tenho familiaridade com este tipo de dado, como eu disse te dar uma orientação mais assertiva demandaria conhecer melhor os detalhes do sistema. Te recomendo procurar na literatura se alguém já tratou este tipo de dado com esta abordagem.
Olá Edmilson,
Seu problema é muito específico, exigiria um pouco mais de contexto, mas infelizmente nós não temos como fornecer este tipo de assessoria no momento.
Tem razão. Neste exemplo não influencia no resultado porque o valor de
biasé igual ab, mas para a função ficar correta, o certo é usarbias.De acordo com o código-fonte da camada densa, a inicialização padrão é do tipo uniforme (kaiming).
Não tem um critério fixo, mas é comum na área separar entre 10 e 20% dos dados para teste.
Pode sim, inclusive a escolha da loss function pode mudar bastante o resultado.
Parece que faltou instalar a biblioteca basemap, dá uma olhada aqui: https://stackoverflow.com/questions/52356192/modulenotfounderror-no-module-named-mpl-toolkits-basemap
O spacy oferece nativamente modelos para diferenças idiomas: https://spacy.io/usage/models/
Não conheço bancos de dados com a característica que você necessita.
É só incluir na seleção dos valores o número da coluna que corresponde ao zip code. Mas como você bem disse, este valor é categórico, então precisa ser tratado com OneHotEncoder antes de passar ao algoritmo.
Não lembro de ter visto uma LSTM aplicada para problemas de classificação, mas a princípio, me parece que basta adequar a última camada. Como este é um problema binário, poderia ser uma camada com um neurônio e ativação sigmoide.
Ou então, você poderia fazer a classificação como um pós-processamento, comparando o preço da previsão com o preço do dia anterior, e atribuindo 1 se o preço subiu ou 0 se o preço caiu.
Geralmente é só mudar para o Terminal (uma das abas na parte inferior da tela), ali você consegue instalar pacotes com
pip install.Olá Luis,
Cada chamada de
fit_transformreseta os estados internos do encoder com os novos dados. Se você não for precisar do encoder depois (para usar o métodoinverse_transform, por exemplo, ou para transformar mais dados como no caso de um modelo em produção), então pode fazer da forma que você sugeriu.
