Forum Replies Created
- Posts
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.
O forward vai da camada de entrada até as 2 camadas de saída, cada uma dessas vai ter uma loss, aí você soma as duas antes de fazer o backpropagation.
Aqui tem um exemplo simples: https://g.co/gemini/share/82b869bbf334
Olá Leandro,
Você pode criar duas redes neurais independentes, uma para cada classe, ou você pode criar duas camadas de saída, cada uma com o número de neurônios igual ao número de categorias de cada classe. A ativação deve ser softmax e, neste caso, o custo
lossé obtido pela soma do custo para as duas classes.Eduardo, coloque uns prints dos erros, porque aqui deu certo, aí eu não tenho como saber qual é o problema.
Jonathan me desculpe mas eu precisaria estudar este caso mais a fundo e nós não temos como oferecer esse tipo de suporte personalizado. Minha sugestão é procurar por implementações similares na internet mesmo, é assim que eu busco ajuda para meus próprios projetos. Também vale a pena tentar usar as LLMs (ChatGPT, Gemini), elas já me ajudaram várias vezes.
