[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, 9 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.

[Denny Ceccon]

Olá Gustavo,

A principal razão é porque o auto_arima não 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/529835

Você deve conseguir resultados mais interessantes testando outros parâmetros na implementação do auto_arima, visite a documentação da biblioteca.

[Denny Ceccon]

Sim, ela pode ser treinada para classificar os textos em qualquer modalidade.

[Denny Ceccon]

É um bom caminho Adauto, com a experiência você vai aprendendo a lidar com essas inconsistências de uma forma mais eficiente.

[Denny Ceccon]

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.

[Denny Ceccon]

Olá Caio,

Sim. Tecnicamente, qualquer rede neural capaz de processar textos pode ser adaptada para classificar sentimentos.

[Denny Ceccon]

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.

[Denny Ceccon]

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 parâmetro steps_per_epoch passado ao método fit. Na aula, o professor usou steps_per_epoch igual ao número total de imagens dividido pelo batch_size, o que resulta em um treinamento com o mesmo número de imagens disponíveis, mas cada uma delas vai ser modificada conforme a camada de pre_processamento. Se você usar um steps_per_epoch maior que isso, as mesmas imagens vão ser recicladas aplicando novas transformações aleatórias.

cardinality retorna -1 porque, como o dataset original foi modificado com a função repeat, então seu tamanho é indefinido (tecnicamente, ele é infinito).

[Denny Ceccon]

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 parâmetros target_height e  target_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.

• This reply was modified 3 years, 9 months ago by Denny Ceccon.

[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.

[Author]

Posts