[Denny Ceccon]

Olá Rogério,

Este é um procedimento estatístico relacionado às limitações do sistema, tem uma explicação aqui: https://www.quora.com/Why-do-we-subtract-1-when-calculating-the-degrees-of-freedom-of-a-chisquare-distribution?share=1

[Denny Ceccon]

Olá José,

De fato existe uma diferença entre os operadores “and” e “&”, você pode encontrar mais informações aqui: https://www.geeksforgeeks.org/difference-between-and-and-in-python/

Em alguns casos, o resultado coincide, mas não em todos.

[Denny Ceccon]

Olá Rogério,

Até seria possível aplicar somente nos registros errados, pois para aqueles que a rede acertou o erro é igual a 0 e os cálculos ficam zerados, mas como matematicamente a rede neural trabalha com cálculos matriciais e não vetoriais, ou seja, os registros são apresentados em batches, mais de um cada vez, na prática nós calculamos independentemente de ter acertado ou errado. Neste caso, o comum é “sumarizar” o erro do batch com o erro médio, e fazer os cálculos de backpropagation como se fosse só um registro.

Sobre a taxa de aprendizagem, tecnicamente pode ser qualquer valor, mas existem alguns valores “clássicos” que são mais comuns na área, nós costumamos usar esses valores no início do trabalho e fazer ajustes ao longo do estudo.

[Denny Ceccon]

Esses desafios são curiosos porque eles deixam evidente que nem sempre é tão simples resolver um problema de machine learning, esse parece ser um caso desses. Várias coisas inesperadas podem acontecer durante o desenvolvimento da solução, como o vazamento de dados, onde, de forma inadvertida e difícil de identificar, o modelo tem acesso a informações dos dados de validação junto com os dados de treinamento, o que diminui sua eficiência quando estiver sendo utilizado com dados realmente novos. Imagine, por exemplo, que os dados que o desafio disponibilizasse para treinamento são apenas referentes a um subgrupo, como um público específico, então na validação você até pode encontrar bons resultados, mas como os dados de teste não são restritos a este público, o modelo não performa tão bem. Esta situação seria um tópico avançado que nós não contemplamos no curso, para se aprofundar vale a pena procurar na plataforma do Kaggle se os vencedores dos desafios publicaram suas soluções.

[Denny Ceccon]

Tente alterar a última linha para:

print(scaler_y.inverse_transform(p[‘predictions’].reshape(1, -1))

[Denny Ceccon]

Olá Luis,

Você não alterou o código? A variável file_name é definida no início do for loop, na segunda linha da definição da função:

def return_corona_df(json_filenames, df):
for **file_name** in json_filenames:

Se a indentação estiver correta, esse erro não é possível.

[Denny Ceccon]

Olá João,

Como você está avaliando nos dados de treinamento, deve estar ocorrendo overfitting. Para evitar isso é importante utilizar um dataset de validação durante o desenvolvimento do algoritmo.

[Denny Ceccon]

Olá Abner,

Temos como política prestar auxílio apenas para os assuntos tratados nas aulas, pois não temos como atender a todas as solicitações particulares dos alunos. Aceitamos sugestões, mas elas serão avaliadas em uma eventual revisão futura do curso.

Entretanto, a ajuda que você busca não é difícil de encontrar pesquisando na internet, isto inclusive deverá fazer parte de sua rotina se você quiser se aprofundar em programação.

[Denny Ceccon]

Olá Abner,

Temos como política prestar auxílio apenas para os assuntos tratados nas aulas, pois não temos como atender a todas as solicitações particulares dos alunos. Aceitamos sugestões, mas elas serão avaliadas em uma eventual revisão futura do curso.

Entretanto, a ajuda que você busca não é difícil de encontrar pesquisando na internet, isto inclusive deverá fazer parte de sua rotina se você quiser se aprofundar em programação.

[Denny Ceccon]

Olá Luiz,

Sobre sua primeira pergunta, preciso que você seja mais específico. A qual aula se refere? Quais fórmulas?

Sobre a segunda, a padronização deve ser feita depois do tratamento de dados faltantes/inconsistentes. Com dados faltantes, inclusive o método nem deve funcionar.

[Denny Ceccon]

A sua variável predict é um valor escalar (o número 3), por isso não tem como passar o índice 0 contido na variável predict2.

[Denny Ceccon]

Olá,

Tente seguir a mesma recomendação que eu passei em https://iaexpert.academy/forums/topic/exploracao-dos-dados-3-departamento-de-vendas/?doing_wp_cron=1687532471.4495289325714111328125#post-40886

[Denny Ceccon]

Olá,

A maneira mais fácil é fazer o downgrade das bibliotecas, já que o erro pode ser tanto por causa de uma mudança de comportamento na versão mais atual quanto um bug. Procure no Google pelo termo “<nome da biblioteca> python versions”, por exemplo “seaborn python versions”, você deve ser direcionado ao site pypi.org da biblioteca, depois clique em Histórico de lançamentos e procure pela versão estável (ou seja, que não seja um pré-lançamento) disponível há cerca de 1 ano, que deve coincidir mais ou menos com a versão utilizada pelo professor na aula.

[Denny Ceccon]

Olá Edinalso,

Na definição da função (def calcula_litros(distancia)), não existe uma relação direta entre a distancia da definição e o restante do código. distancia é somente o nome da variável. Poderia ser def calcula_litros(x), por exemplo. A variável só “ganha” um valor quando a função é chamada e você passa um parâmetro para esta variável, como em l = calcula_litros(d).

[Denny Ceccon]

Olá Emerson,

Dê uma olhada nessa biblioteca: https://pypi.org/project/PyPDF2/

[Author]

Posts