[Denny Ceccon]

Olá Ygor,

São probabilidades sim, mas elas estão sempre associadas à classe 1: 97% de chances de pertencer à classe 1 (ou seja, deve ser 1) e 3% de chances de pertencer à classe 1 (ou seja, deve ser 0).

[Denny Ceccon]

Olá Gustavo,

No primeiro caso, quando queremos escolher mais do que uma coluna, precisamos usar a notação de duplo colchetes, mas para uma coluna só, tanto faz.

No segundo, a notação dentro do colchetes retorna um vetor com valores booleanos, indicando onde os resultados da coluna feedback são iguais a zero, e depois essa “máscara” é aplicada a reviews_df para recuperar apenas os registros que atendem a esta condição.

[Denny Ceccon]

Olá Gustavo,

Nesse caso é porque um objeto da classe pd.DataFrame contém um método chamado hist, então você pode usar df.hist() como atalho, mas fazer da forma tradicional também funciona. Na verdade, o método hist possivelmente chama a função hist por baixo dos panos.

[Denny Ceccon]

Olá Jean,

Não há limite para o número de classes, você pode tentar qualquer algoritmo de classificação, a princípio nenhum é mais indicado que outro por causa disso.

[Denny Ceccon]

Olá Cesar,

Isso geralmente é bug na versão que você tem instalada da biblioteca, nesse caso TensorFlow. Tenta fazer o downgrade. A versão 2.8 deve funcionar.

[Denny Ceccon]

Olá Alexandre,

Desculpe mas como costuma dar trabalho analisar códigos de terceiros, nós temos como política não inspecionar implementações pessoais, apenas garantimos que o código apresentado nas aulas vai funcionar.

Entretanto, dando uma olhada rápida no seu notebook, eu **desconfio** que o problema é com o uso da função plot do matplotlib. Tente outros tipos de gráfico, como por exemplo scatter. Se não resolver, pelo menos te dá uma ajuda na direção correta.

[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.

[Author]

Posts