[Denny Ceccon]

Oi Pietro,

1. Pode pensar nos vetores como uma série de números que se sucedem linearmente. O Python possui um objeto chamado lista que, no fundo, é um vetor, mas sendo um objeto declarado programaticamente, a lista possui métodos e propriedades úteis para manipular vetores. Vetor é uma abstração, mas a lista do Python é um objeto concreto desta abstração. É mais ou menos como comparar o conceito carro (abstração) com um objeto carro (concreto). Listas/vetores são uma das inúmeras formas para armazenar dados, conforme você se aprofundar nos estudos vai perceber sua utilidade.
2. Numpy é uma biblioteca do Python usada para criar objetos “especiais”, que não existem no Python nativo. No caso, o Numpy é útil para criar vetores e matrizes.
3. Digamos que a “abstração” do objeto numpy.empty é uma lista de listas, mas o objeto concreto é mais complexo que isso, por isso precisamos usar métodos diferentes. Um objeto do tipo numpy não possui o método insert, por exemplo, logo sua manipulação deve ser feita de forma diferente.

[Denny Ceccon]

Oi Gustavo,

Tente colocar as datas como índice no dataframe com as previsões:

index=pd.date_range(
                    serie_temporal.index[-1] # pega a última data disponível em serie_temporal
                    + pd.Timedelta('1D'),    # adiciona 1 dia porque estamos fazendo a previsão a partir do dia seguinte
                    periods=100)             # faz o intervalo de datas até 100 dias no futuro
                   )
previsoes = pd.DataFrame(modelo.predict(n_periods = 100), index=index)

Aí é só plotar os dois dataframes no mesmo gráfico:

fig.plot(serie_temporal, label='Dados históricos')
fig.plot(previsoes , label = 'Previsões')

• Esta resposta foi modificada 2 anos, 8 meses atrás por Denny Ceccon.

[Denny Ceccon]

Olá Caio,

Com 20 colunas realmente não se justifica, mas se tivermos muitas colunas, a redução torna os dados mais manuseáveis em termos de custo computacional. Além disso, existem as chamadas matrizes esparsas onde somente algumas colunas têm valores e o restante é igual a 0, aí a representação em um espaço com menos dimensões é de enorme ajuda no ajuste no modelo.

[Denny Ceccon]

Olá Guilherme,

O ganho de informação é uma propriedade das variáveis, não das classes, que são a própria informação que as variáveis estão tentando “ganhar”, por isso o coeficiente é definido somente para as variáveis.

[Denny Ceccon]

Olá Gabriel,

Veja que a função calculaSaida recebe uma variável chamada registro, e logo na sua primeira linha, ela chama o método dot de registro. Acontece que dot é um método de numpy arrays, mas entradas[i] é originalmente uma lista, então temos que convertê-la para numpy array para que a função funcione.

[Denny Ceccon]

Olá Alexandre,

Existe sim, encontrei várias implementações pesquisando no Google mesmo, veja algumas:

https://jaketae.github.io/study/genetic-algorithm/

https://medium.com/thecyphy/travelling-salesman-problem-using-genetic-algorithm-130ab957f165

https://www.crowdatascience.com/travelling-salesman-problem-in-r-with-location-data/

 

[Denny Ceccon]

Olá Marcio,

Existem algumas bibliotecas que permitem instanciar callbacks, que são códigos que rodam em momentos pré-definidos da execução, como por exemplo no final de cada época. Para exibir os pesos, você poderia usar um callback customizado. A biblioteca scikit-learn, infelizmente, não oferece esta opção, mas com o Keras é possível, veja a documentação: https://keras.io/api/callbacks/

[Denny Ceccon]

Olá Lucas,

É que o scaler recebe objetos no formato (n_instancias, n_variaveis), então mesmo quando só tem uma instância, ela deve ser apresentada como um array bidimensional (1, n_variaveis).

[Denny Ceccon]

Olá Pericles,

Isto acontece porque, em algum momento do seu código, o valor de message é um número do tipo float, aí a comprehension não funciona pois message deve ser um iterável, ou seja, algo capaz de ser utilizado em um loop do tipo for. Para evitar isso, converte antes a coluna Review Text para string, pois toda string é iterável.

[Denny Ceccon]

Olá Koki,

Na verdade não, é que os outros registros não foram classificados errado (ou seja, o erro é igual a 0), mas o correto é usar todos os registros na atualização.

[Denny Ceccon]

Olá Daniel,

Certamente que ajustar os hiperparâmetros pode melhorar o modelo (este processo é chamado de otimização dos hiperparâmetros), mas a melhoria não costuma ser muito significativa, dificilmente você vai sair de 75% para 90% só com isso, por exemplo.

Muitos problemas se beneficiam de dados sintéticos, mas você deve imaginar como é difícil gerar dados sintéticos para texto, acredito que isso hoje só seja possível utilizando outra inteligência artificial. No meu trabalho, por exemplo, um colega usou o modelo GPT-3 para gerar dados para treinar, com resultados bem satisfatórios.

Por último, é difícil se manter atualizado sobre bases de dados quando a gente não trabalha diretamente com isso, então minha recomendação seria a mesma que eu faria: pesquisar no Google. 🙂

[Denny Ceccon]

Acho que é porque você precisa rodar a parte do código onde plota o gráfico tudo de uma vez, porque os elementos do gráfico são adicionados um a um, e se você interromper o código no meio, só vai plotar a metade das informações.

Roda desde a linha pcolor(som.distance_map().T) até o final em uma única célula.

[Denny Ceccon]

É isso mesmo Marcos. Quando a gente atualiza uma variável, tem que tomar cuidado para criar ela de volta se quiser reexecutar alguma parte do código.

[Denny Ceccon]

Marcos, eu desconfio que isto está acontecendo porque o resultado do método fit_transform já é um array.

Tenta simplesmente retirar o método toarray() do final da chamada do código.

[Denny Ceccon]

Você tentou reexecutar o código original da aula?

[Autor]

Posts