Forum Replies Created
- Posts
Olá Gustavo,
A principal razão é porque o
auto_arimanão foi capaz de encontrar padrões e tendências que ele considera útil para as predições, então ele retorna sempre a última cotação. Dê uma olhada aqui: https://stats.stackexchange.com/a/529835Você deve conseguir resultados mais interessantes testando outros parâmetros na implementação do
auto_arima, visite a documentação da biblioteca.É um bom caminho Adauto, com a experiência você vai aprendendo a lidar com essas inconsistências de uma forma mais eficiente.
Olá Adauto,
Infelizmente não porque a própria definição de outlier é aberta a interpretações. Por exemplo, idades negativas certamente estão erradas, mas e se a variável permitisse valores negativos? Esta parte inicial de exploração dos dados fica a cargo do desenvolvedor e inclusive é essencial para o desenvolvimento de um bom projeto de Data Science.
Olá Caio,
Sim. Tecnicamente, qualquer rede neural capaz de processar textos pode ser adaptada para classificar sentimentos.
Olá André,
A soma é igual a zero porque os registros (camada de entrada) são iguais a zero, então se multiplicar zero pelos pesos (ligações entre a camada de entrada e a camada oculta) e somar depois, o resultado final é zero. Aplicando a ativação (sigmoide de zero), o resultado é 0.5, e a derivada da sigmoide de 0.5 é igual a 0.25.
Olá Felix,
Isto acontece porque o processo de aumentação ocorre em tempo real durante a execução do código. Nenhuma nova imagem é gerada em disco, mas as imagens disponíveis são modificadas com as configurações passadas em
pre_processamento, logo antes de serem passadas ao modelo. O número total de imagens é definido pelo parâmetrosteps_per_epochpassado ao métodofit. Na aula, o professor usousteps_per_epochigual ao número total de imagens dividido pelobatch_size, o que resulta em um treinamento com o mesmo número de imagens disponíveis, mas cada uma delas vai ser modificada conforme a camada depre_processamento. Se você usar umsteps_per_epochmaior que isso, as mesmas imagens vão ser recicladas aplicando novas transformações aleatórias.cardinalityretorna -1 porque, como o dataset original foi modificado com a funçãorepeat, então seu tamanho é indefinido (tecnicamente, ele é infinito).Olá Laurence,
Você pode usar a função
tf.image.resize_with_crop_or_pad(documentação aqui), passando todas as suas imagens e o novo tamanho nos parâmetrostarget_heightetarget_width. As imagens vão ser redimensionadas para um tamanho único, e aquelas que não forem compatíveis com este tamanho vão ser cortadas ou completadas para obedecer às novas dimensões.Oi Pietro,
- 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.
- 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.
- 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.
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')
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.
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.
Olá Gabriel,
Veja que a função
calculaSaidarecebe uma variável chamadaregistro, e logo na sua primeira linha, ela chama o métododotderegistro. Acontece quedoté um método de numpy arrays, masentradas[i]é originalmente uma lista, então temos que convertê-la para numpy array para que a função funcione.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/
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/
