Forum Replies Created
- Posts
Olá Luiz,
TensorFlow e PyTorch são bastante similares, é questão de gosto pessoal, e hoje são as opções mais completas. Ambas oferecem uma API de baixo nível, que é mais difícil de configurar, mas permite um alto controle do processo. O Keras é uma API de mais alto nível do TensorFlow, ou seja, utiliza TF no background, mas é mais fácil de operar, pois possui várias classes prontas para uso. O Pybrain foi descontinuado.
Você consegue implementar redes recorrentes tanto no TF quanto no PyTorch, mas pela facilidade de uso, para a maioria das aplicações você pode usar o Keras.
Olá José,
Via de regra, a gente evita atualizar código que ainda esteja funcionando, porque preferimos fazer essas atualizações quando atualizamos o curso inteiro. Eu testei novamente o notebook anexado à aula e não tive problemas. Entretanto, se você não conseguir resolver, esta chamada deve resolver:
`dataset = pd.read_csv(‘acoes.csv’, parse_dates=[‘Date’], index_col=’Date’,
date_format=’%Y-%m-%d’, usecols = [‘Date’, ‘BOVA’])`Olá Deivid,
Por enquanto nós não temos programada a atualização deste curso. Você sempre pode instalar uma versão mais antiga do Python criando um ambiente novo. No Anaconda Prompt, o comando é:
`
conda create -n <nome-do-ambiente> python=<versão-do-pythton>`Checa qual versão do Pandas sua instância do Colab está usando, a versão 2.2.2 está funcionando.
Eu também desconfio que você tentou rodar a função antes de terminar o upload do arquivo csv, aí a execução pode quebrar porque os dados no disco estão incompletos.
Olá José,
Eu executei o notebook e não tive problemas. Algumas poucas funções exibem um alerta de que elas serão removidas em versões futuras das bibliotecas, mas elas continuam funcionais. Você teve algum problema específico?
Olá Milton,
Eu testei o código da aula e deu tudo certo. De nossa experiência, nesses casos, o aluno geralmente deixou de executar algum código anterior, ou alterou o código. Tenta de novo utilizando o notebook anexado à aula. Eu até desconfio que o que houve é que você criou o dicionário mas não colocou o espaço no nome na frente das categorias:
dicionario_map = {" <=50K": "Low", " >50K": "High"} ^--espaço ^-- espaçoAí como a chave não existem no dicionário, ele retorna
NaN.Olá Jorge,
O Pycharm tem duas edições, o Professional (pago) e o Community (gratuito). Você pode instalar direto a partir do site https://www.jetbrains.com/pycharm/download/?section=windows
Robson, você está executando no Colab? Eu testei com o notebook anexado à aula e deu certo. Se for execução local, pode ser algum conflito no ambiente, mas é difícil de resolver sem acesso à máquina, nesses casos geralmente se resolve por tentativa e erro.
Olá Robson,
Estou revisando o código desta aula para fazer algumas correções, mas por enquanto, se você colocar
!pip install lxmlna primeira célula, vai rodar essa parte.Lucian, procura sobre os temas ARIMA e redes neurais recorrentes na nossa página dos cursos, lá você pode ver como os dados são organizados para treinar este tipo de algoritmo, aí é só usar a mesma metodologia para o seu objetivo.
Olá Lucian,
Se você usa as cotações dos últimos X dias para prever “alta’ ou “baixa”, então você só vai conseguir fazer a predição para o dia seguinte, pois só tem acesso às cotações até o dia de hoje. Para prever em períodos mais no futuro, você precisa considerar que as cotações são uma série temporal, e utilizar um algoritmo adequado para este tipo de dado, como ARIMA ou redes neurais recorrentes.
Olá Eduardo,
Os valores sublinhados vieram da tabela de valores padronizados, depois você deve fazer a subtração por coluna. O cálculo da esquerda estou pedindo para o professor revisar porque acredito estar errado, mas o da direita, 1,07 – (-0,90) = 1,97, e -0,54 – (-0,60) = 0,06. Aí é só elevar ao quadrado, somar, e tirar a raiz.
Olá Luiz,
É possível, mas não é muito simples. Os modelos têm tantos neurônios na camada de saída quantas classes originais, ou seja, para adicionar ou excluir movimentos, você precisa adicionar ou remover neurônios (e suas conexões), mas não dá pra fazer isso sem desestruturar todo o conhecimento da rede.
Uma possibilidade é trocar a última camada inteira e treinar somente esta camada com dados rotulados contendo suas classes de interesse, esta técnica se chama transfer learning. Se você quiser dar uma olhada como funciona, eu lembro que falamos de transfer learning em nosso curso de PyTorch.
