Forum Replies Created
- Posts
Olá Luna,
Depende da quantidade de dados e de recursos computacionais, se não são muitos dados e seus recursos atendem, é sempre melhor utilizar a melhor quantidade de dados possível.
Nós até cobrimos redes recorrentes (como LSTM) mas não no contexto de investimentos, você deve encontrar nos cursos com foco em redes neurais.
Carlos,
A sua variável
previsoestambém é um array bidimensional, então você precisa aplicar o métodoravelno final também.Olá Alessandro,
Todos os métodos que buscam prever valores futuros, seja no mercado de ações, seja para previsão do tempo, se baseiam no histórico passado. A expectativa é que o comportamento das séries temporais históricas se mantenha, de forma que as previsões tenham algum valor. É claro que não é tão simples, fosse assim todo mundo seria um trader de sucesso, mas a base apresentada no curso é da onde todo mundo parte. Aí vai da engenhosidade individual, de descobrir quais períodos são relevantes, quais indicadores (ou sua combinação) utilizar, ou até criar outros. O que podemos dizer é que, se o comportamento se mantiver, os resultados serão consistentes, mas isso dificilmente ocorre na prática, e é isso que os pesquisadores e traders empenhados na área buscam resolver.
Olá Erenilson,
Sim, você está certo. Tudo depende de como você define o seu problema. Se você quer chegar a conclusões estritamente sobre o grupo de estudo, então esta é sua população, mas se quer estender as conclusões para pessoas fora do grupo, então esta é sua amostra.
Olá Marcelo,
O Anaconda oferece algumas IDEs, como você pode ver na documentação: https://docs.anaconda.com/working-with-conda/ide-tutorials/
Entretanto, você pode instalar a IDE independentemente. Eu, por exemplo, só uso o Anaconda para criar ambientes.
O Google Colab é um ambiente de computação online, que facilita muito a vida principalmente de alunos, já que não requer a instalação de nenhuma ferramenta, é só acessar via navegador. Hoje ele oferece suporte para Python e R.
Olá Bruno,
Você tem razão, o professor fez uma simplificação considerando que a próxima cidade é definida a cada iteração do algoritmo, mas para definir o melhor caminho inteiro, o custo total deve ser considerado.
Olá Marco,
No Colab, você provavelmente não está usando GPU. Acesse as configurações abaixo para configurar.
Olá Moises,
Devido a uma atualização da biblioteca Pandas, agora você deve fazer:
correlations = employee_df.corr(numeric_only=True)Já estou corrigindo no notebook também.
Olá Rafael,
Você pode tratar o desbalanceamento logo no final do pré-processamento, antes de passar os dados para o algoritmo.
Olá Ana,
Não temos nenhum material pronto nesse sentido, mas eu te recomendo visitar o desafio no Kaggle, lá outros usuários costumam publicar suas soluções e explorações com os dados, é uma boa oportunidade de aprendizado.
Olá Luiz,
Como o problema é com a biblioteca
scipy, instalar uma versão mais antiga deve resolver. Recomendo tentar a versão0.15.1, que foi publicada na mesma época da última publicação do PyBrain.Tudo bom Professor? Legal te reencontrar depois de todos esses anos.
Este problema, você provavelmente consegue resolver fazendo downgrade do
scipy, eu acredito que a versão0.15.1deve ser suficiente.Mas como comentei na sua outra dúvida, o PyBrain não recebe mais atualização desde 2015, então eu recomendo utilizar o Scikit-Learn (que também é coberto neste curso, mas implementa redes “fechadas”, com pouco controle fino), ou o Keras (que é mais parecido com PyBrain mas hoje é uma das bibliotecas mais utilizadas para Deep Learning). Aqui na plataforma tem outros cursos focados mais em Keras/TensorFlow.
Um abraço!
Luiz, não estou conseguindo localizar esta aula no curso Redes Neurais Artificiais em Python, você postou no curso correto?
