[Denny Ceccon]

Olá Álvaro,

Provavelmente é porque você já tinha carregado o Numpy antes de fazer o downgrade. Tenta instalar a versão anterior antes de importar a biblioteca.

[Denny Ceccon]

Olá Alessandro,

Na verdade não são valores aleatórios, são resíduos que não são explicados pelos outros dois parâmetros, a tendência e a sazonalidade. Se tendência e sazonalidade explicarem sozinhos o comportamento da série temporal, então os resíduos serão zero, que é o que se observa na figura.

O tamanho do período é determinado experimentalmente, já que a priori, nós não sabemos quando os dados começam a exibir comportamento periódico, que pode ser decomposto em tendência e sazonalidade.

 

[Denny Ceccon]

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.

[Denny Ceccon]

Nós até cobrimos redes recorrentes (como LSTM) mas não no contexto de investimentos, você deve encontrar nos cursos com foco em redes neurais.

[Denny Ceccon]

Carlos,

A sua variável previsoes também é um array bidimensional, então você precisa aplicar o método ravel no final também.

[Denny Ceccon]

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.

[Denny Ceccon]

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.

[Denny Ceccon]

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.

[Denny Ceccon]

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.

[Denny Ceccon]

Olá Marco,

No Colab, você provavelmente não está usando GPU. Acesse as configurações abaixo para configurar.

[Denny Ceccon]

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.

[Denny Ceccon]

Olá Rafael,

Você pode tratar o desbalanceamento logo no final do pré-processamento, antes de passar os dados para o algoritmo.

[Denny Ceccon]

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.

[Denny Ceccon]

Olá Luiz,

Como o problema é com a biblioteca scipy, instalar uma versão mais antiga deve resolver. Recomendo tentar a versão 0.15.1, que foi publicada na mesma época da última publicação do PyBrain.

[Denny Ceccon]

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 versão 0.15.1 deve 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!

[Author]

Posts