Forum Replies Created
- Posts
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.
Olá Mateus,
É difícil dizer sem debugar o código, mas nós não costumamos debugar implementações pessoais. As partes mais evidentes (configuração da última camada, função de custo) me parecem estar OK. Eu te recomendo rodar seu código em uma IDE que te permita debugar, assim você executa linha por linha, isso ajuda a encontrar problemas.
Olá Mateus,
O Tensorflow agora identifica automaticamente a GPU e usa quando ela está disponível, mas você precisa instalar drivers específicos para que este reconhecimento seja feito. Cada placa tem um processo diferente, se você quiser usar sua GPU o melhor caminho é procurar ajuda no Google mesmo.
