Forum Replies Created
- Posts
Olá Miguel,
Na semana passada, o Google atualizou o Colab para utilizar a versão 3.10 do Python. Com isso, vários códigos precisam de atualização. Infelizmente nós não temos como prometer um prazo, mas por enquanto, você poderia rodar o código com execução local, com uma versão compatível do Python.
Olá Reginaldo,
re.sub(r'\.{3,}', '', texto_original)deve funcionar. Vai remover todas as vezes em que aparecer um ponto, 3 vezes seguidas ou mais.
Pode encontrar mais informações aqui, na sessão que trata da expressão
{m, n}.Olá Flavio,
Como as bibliotecas são atualizadas constantemente, é difícil a gente adaptar os códigos para refletir essas mudanças. Por isso, nossa orientação é de utilizar as mesmas versões apresentadas nos cursos.
Olá Tiago,
O professor explica isso nas aulas das Partes 3 e 4. Neste problema, as ações não são os passos unitários do robô, mas sim seu destino final. Ou seja, se ele escolher a ação 4, isso implica ir da onde ele estiver até o estado 4. A questão dos passos unitários é tratada na tabela de recompensas, que impede que o robô escolha estados inacessíveis.
Olá Vinícius,
Se você prestar atenção nos valores de X, verá que eles já estão escalonados (na faixa entre 0 e 1), então um novo escalonamento não costuma ter algum efeito positivo.
Olá Edsson,
Não só é possível como é assim que as redes neurais são geralmente desenhadas. As ativações internas servem para que a rede neural aprenda a modelar comportamentos não lineares, enquanto que a ativação da saída está mais associada ao tipo de problema: linear se for regressão, sigmoide se for classificação binária e softmax se for classificação com mais categorias.
Para problemas categóricos, você usaria a classe
CategoricalNB(documentação). Depois de treinar o modelo, as probabilidades estão no atributo feature_log_prob_, só que aqui você vai encontrar o log das probabilidades. Para converter para escala decimal, use a funçãonp.exp.Exemplo com dados inventados:
rng = np.random.RandomState(1) X = rng.randint(3, size=(10, 4)) y = np.array([1, 2, 2, 2, 1, 2, 1, 1, 1, 2]) from sklearn.naive_bayes import CategoricalNB clf = CategoricalNB(force_alpha=True) clf.fit(X, y) print(clf.feature_log_prob_) # [array([[-2.07944154, -0.69314718, -0.98082925], [-1.38629436, -0.69314718, -1.38629436]]), array([[-0.69314718, -1.38629436, -1.38629436], [-0.98082925, -0.98082925, -1.38629436]]), array([[-0.98082925, -0.98082925, -1.38629436], [-0.47000363, -1.38629436, -2.07944154]]), array([[-1.38629436, -0.69314718, -1.38629436], [-1.38629436, -1.38629436, -0.69314718]])] print(np.exp(np.array(clf.feature_log_prob_)) # array([[[0.125, 0.5 , 0.375], [0.25 , 0.5 , 0.25 ]], [[0.5 , 0.25 , 0.25 ], [0.375, 0.375, 0.25 ]], [[0.375, 0.375, 0.25 ], [0.625, 0.25 , 0.125]], [[0.25 , 0.5 , 0.25 ], [0.25 , 0.25 , 0.5 ]]])O array resultante tem shape (4, 2, 3) porque o exemplo tem 4 variáveis, 2 classes target e 3 categorias por variável.
Olá João,
Não entendi bem sua dúvida, pois se você quer eliminar o segundo elemento de um vetor armazenado na forma de lista, basta fazer:
a = a[:2] + a[3:]
Esta operação não usa loop.
Olá William,
Não encontrei esta informação no vídeo para entender o contexto, você pode ser mais específico? Achei estranho você comentar R pois o curso é em Python.
Não tem como, lembre-se que as redes neurais são conhecidas como “caixas pretas” porque não é possível entender como funciona seu processo de decisão. Mas mesmo assim, eu desconfio que o problema não seja relacionado ao funcionamento da rede mas sim à formatação dos dados, seria importante observar se a rede está recebendo os rótulos corretos por exemplo.
