[Denny Ceccon]

Olá Luiz,

O Scikit-learn tem um módulo chamado MLPClassifier (multi-layer perceptron), dá uma olhada na documentação: https://scikit-learn.org/stable/modules/generated/sklearn.neural_network.MLPClassifier.html

[Denny Ceccon]

Olá André,

É um multiplicador de valor menor do que 1 que usamos para que o aprendizado não seja “muito rápido”, sem aplicar esse multiplicador a atualização dos pesos dá pulos muito grandes e corremos o risco de perder o ponto do treinamento onde está o mínimo global.

[Denny Ceccon]

Olá André, não tem um nome, ela foi criada no início do desenvolvimento das redes neurais e é a forma mais simples de atualizar os pesos.

[Denny Ceccon]

Olá Jeiverson,

Suas colocações estão corretas, mas a ideia por trás da roleta viciada é de selecionar o indivíduo na posição onde o valor sorteado está mesmo, não o mais próximo. Pense como uma roleta física mesmo, quando a gente gira, a escolha vale para onde a flecha está apontando, não para a fatia mais próxima. O valor_sorteado nada mais é do que a posição da flecha, e nós usamos o restante do código para determinar quem é o indivíduo presente naquela porção da roleta.

[Denny Ceccon]

Olá Adauto,

No caso de valores categóricos, você pode optar por usar o valor mais frequente. Você descobre isso selecionando a coluna e usando o método value_counts:

base_census['income'].value_counts()

Neste caso, o valor mais frequente é “<=50K”.

Então, você filtra a coluna para os valores faltantes e passa o novo valor:

base_census['income'][base_census['income'].isna()] = "<=50K"

[Denny Ceccon]

Veja que essa expressão está dentro de um loop for, onde o valor de i muda a cada loop. i indica o número da linha em convites, começa na primeira e vai até o final. Então, em cada loop, conexoes['Full Name'] tem que ser igual a convites['From'] na linha/posição i. Se for, isto retorna True. e conexoes[conexoes[‘Full Name’] == convites[‘From’][i]] vai retornar as linhas inteiras de conexoes que cumprem o critério. Aí, nós usamos ['Company'] pra filtrar só esta coluna (nome da empresa), values para converter para numpy array e o índice [0] para recuperar a primeira entrada deste array.

Se te ajudar a entender, desmonte essa linha e printe os resultados passo a passo:

tmp = conexoes[‘Full Name’] == convites[‘From’][i]
print(tmp)
tmp = conexoes[tmp]
print(tmp)
tmp = tmp['Company']
print(tmp)
tmp = tmp.values
print(tmp)
company = tmp[0]
print(company)

 

 

• This reply was modified 3 years, 4 months ago by Denny Ceccon.

[Denny Ceccon]

Você precisa trocar os parênteses por colchetes na definição de semstop:

(p for p in palavras.split() if p not in stopwordsnltk) => [p for p in palavras.split() if p not in stopwordsnltk]

[Denny Ceccon]

Olá Caio.

A expressão dentro dos colchetes externos, conexoes[‘Full Name’] == convites[‘From’][i], está checando se a informação que consta em conexoes['Full Name'] é igual a convites['From'] na linha i. Se for, esta comparação vai retornar True, então conexoes[conexoes[‘Full Name’] == convites[‘From’][i]] vai resultar ns entradas de conexoes identificadas como True.

• This reply was modified 3 years, 4 months ago by Denny Ceccon.

[Denny Ceccon]

Oi Giovanne,

Não faltou o print na linha 39? @7:15 da aula?

• This reply was modified 3 years, 4 months ago by Denny Ceccon.

[Denny Ceccon]

Olá Michael,

int é um tipo de dado básico do Python, mas os tipos do Numpy são baseados em C, o que ajuda em questão de performance. Dê uma olhada nesta página da documentação do Numpy: https://numpy.org/doc/stable/user/basics.types.html

[Denny Ceccon]

Olá Dorimar,

As frequências nada mais são do que as probabilidades de as categorias ocorrem naquele dataset. Então, em termos de X e y, podemos reescrever o teorema acima da seguinte forma:

P(y/X) = P(X/y) . P(X)  /  P(y)

Ou seja, a probabilidade de determinada saída em função dos dados de entrada é definida pela multiplicação das probabilidades (ou frequências) dos dados.

[Denny Ceccon]

Isso.

[Denny Ceccon]

Oi Caio,

%s é um “placeholder”, quer dizer que ali vai entrar uma string, e com % palavra nós dizemos que a string está contido em palavra.

Ou seja, se palavrasunicastreinamento for uma lista com ['banana', 'maca', 'laranja'], então no final do loop você vai ter o dicionário caracteristicas contendo essas 3 chaves.

[Denny Ceccon]

Isso mesmo Caio, o CountVectorizer faz exatamente isso.

• This reply was modified 3 years, 5 months ago by Denny Ceccon.

[Denny Ceccon]

Olá Gabriel,

Sempre que você cria uma camada no Keras, a API coloca um índice no final do nome, por exemplo, dense_1, dense_2, dense_3… Aí, se você começar uma nova arquitetura, ele continua numerando como dense_4 em diante. O clear_session reseta esse estado. Não é um código estritamente necessário, mas se você quer acessar as camadas pelo nome depois, isso ajuda.

A camada de Dropout serve para zerar algumas das saídas da camada anterior, 0.2 significa que 20% dos valores serão zerados. Isso ajuda a evitar problemas de overfitting.

[Author]

Posts