Forum Replies Created
- Posts
Daniel, tenta seguir essas instruções: https://facebook.github.io/prophet/docs/installation.html#installation-in-python
Se eu entendi bem o problema, me parece ser bastante similar ao caso do viajante, one as cidades são os pontos do bonde e as arestas são os trilhos.
Jonathan, aí precisaria estudar melhor o problema, mas seguem algumas ideias:
Modificação da função de custo: Atribua um custo infinito às arestas que representam trilhos com bondes quebrados ou em manutenção, ou utilize uma função de custo que considere o tempo de espera estimado para reparo ou o impacto na operação da linha de bonde, por exemplo, o custo é uma função do tempo de espera estimado.
Remoção temporária de arestas: Remova temporariamente do grafo as arestas que representam trilhos com restrições. O algoritmo vai ignorar automaticamente esses caminhos indisponíveis, buscando alternativas viáveis. As arestas podem ser reinseridas no grafo quando as restrições forem removidas.
Implementação de regras de priorização: Utilize heurísticas que considerem a probabilidade de restrições em diferentes trilhos, direcionando a busca para caminhos mais confiáveis, por exemplo, o custo tem um fator que é calculado em função da probabilidade de manutenção na linha.É só botar um custo adicional nos trechos com algum impedimento, assim você penaliza aquele caminho.
Olá Jonathan,
A distância fornece a base para quantificar o custo de cada movimento entre as cidades. O algoritmo prioriza caminhos com menor custo total, guiando a busca pelo trajeto mais curto. Heurísticas eficientes, como a distância euclidiana, aproximam o valor real do caminho restante, direcionando a busca para os caminhos mais promissores.
Olá André,
Devido à quantidade de alunos, nosso tempo de resposta na maioria dos casos é até 24 horas.
Respondi sua dúvida no outro tópico.
Olá André,
Executei o código do Colab disponibilizado no curso e não tive nenhum erro.
De nossa experiência, nesses casos geralmente o aluno esqueceu de rodar alguma célula anterior, ou modificou o código. Também é possível que você tenha tentado ler a base de dados no ambiente Python antes que o upload finalizasse.
Para o primeiro caso, te recomendo fazer uma cópia nova do notebook da aula e rodar desde o início. Para o segundo, verifique que a “rodinha” que aparece durante o upload sumiu antes de carregar os dados no ambiente Python.
Heitor, de novo eu sugiro tentar usar as LLMs, elas têm sido muito úteis para esse tipo de dúvida, eu coloquei sua pergunta no Gemini e ele respondeu assim: https://g.co/gemini/share/5a84b419b9da
Olá Heitor,
Desculpa, mas pela quantidade de alunos que atendemos, não temos como oferecer suporte para implementações pessoais, focamos apenas nos códigos apresentados em aula.
Uma sugestão: coloque seu código em uma LLM, como o ChatGPT ou o Gemini, e peça para eles te orientarem. Eu uso bastante no dia-a-dia, e geralmente as LLMs ajudam bastante.
Olá Geomar,
Eu não saberia te dizer imediatamente, mas o Gemini deu algumas sugestões, veja se consegue checar algumas delas e se resolve o problema.
Você recebeu um erro JSONDecodeError ao tentar obter dados usando a API do Facebook. Isso significa que o programa Python esperava uma resposta JSON válida da API do Facebook, mas recebeu algo que não pôde ser decodificado como JSON.
Existem algumas razões pelas quais isso pode acontecer:
- A API do Facebook retornou um erro: A API do Facebook pode ter retornado uma mensagem de erro em vez dos dados que você esperava. Isso pode ser devido a um problema com sua solicitação de API, como um token de acesso inválido ou um erro de permissão. Você pode verificar a mensagem de erro no response.text para ver o que deu errado.
- A resposta não é JSON válida: É possível que a resposta da API do Facebook não seja JSON válida. Isso pode ser devido a um bug na API do Facebook ou a um problema com sua conexão de rede. Você pode tentar validar a resposta JSON usando uma ferramenta como o JSONLint.
Aqui estão alguns passos que você pode seguir para solucionar o problema:
- Verifique a documentação da API do Facebook para o endpoint que você está tentando acessar para ter certeza de que está fazendo a solicitação corretamente.
- Verifique seu token de acesso da API para ter certeza de que é válido e possui as permissões apropriadas.
- Tente fazer a mesma solicitação usando uma ferramenta diferente, como curl ou Postman, para ver se obtém o mesmo erro.
Sem problemas Samuel. Sua prática de procurar ajuda sozinho vai te ajudar muito na sua carreira, mas se não tiver sucesso, por enquanto estamos aqui para ajudar!
Samuel, pra te ajudar eu vou adiantar o código atualizado do curso todo, ele ainda não está 100% fechado mas está funcionando, você vai conseguir seguir seus estudos:
https://drive.google.com/drive/folders/12FTO8rlbBYfgmKYevEs22KAAU26jGwln?usp=drive_link, https://drive.google.com/drive/folders/14bIDk7X7YEwJAPSjZr6F93n1_JH9nOYm?usp=drive_link, https://drive.google.com/drive/folders/14udJEXUSFJvWYNpOFTiscHaemtw4TAYp?usp=drive_link, https://drive.google.com/drive/folders/14dFN5SZe60G2_KpSCaEKAxo_C6h7KF0a?usp=drive_link, https://drive.google.com/drive/folders/14p2_gDdx_2rJTXnHCvjjGYaKXAuxNVun?usp=drive_link, https://drive.google.com/drive/folders/14qfzIiYYsDOuwwuw29PIxdVJltpxLUxV?usp=drive_link, https://drive.google.com/drive/folders/12paD7z20OsXyXsyqaQd_uDzbqGYl9ReN?usp=drive_link
Recado aos demais alunos: não posso garantir que estes links estarão disponíveis no futuro.
Oi Samuel,
Nós estamos trabalhando na atualização desse curso, nossa recomendação é sempre usar versões mais antigas das bibliotecas para conseguir acompanhar os cursos, mas neste caso vou te adiantar o código mais atualizado abaixo:
!pip install scikeras import pandas as pd import tensorflow as tf import sklearn import scikeras from scikeras.wrappers import KerasClassifier from sklearn.preprocessing import LabelEncoder from tensorflow.keras import utils as np_utils from tensorflow.keras import backend as k from tensorflow.keras.models import Sequential from sklearn.model_selection import cross_val_score base = pd.read_csv('iris.csv') previsores = base.iloc[:, 0:4].values classe = base.iloc[:, 4].values labelencoder = LabelEncoder() classe = labelencoder.fit_transform(classe) classe_dummy = np_utils.to_categorical(classe) def criar_rede(): k.clear_session() classificador = Sequential([ tf.keras.layers.InputLayer(shape=(4,)), tf.keras.layers.Dense(units=4, activation='relu'), tf.keras.layers.Dense(units=4, activation='relu'), tf.keras.layers.Dense(units=3, activation='softmax')]) classificador.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['categorical_accuracy']) return classificador classificador = KerasClassifier(model=criar_rede, epochs=250, batch_size=10) resultados = cross_val_score(estimator=classificador, X=previsores, y=classe_dummy, cv=10, scoring='accuracy') resultados media = resultados.mean() print(media) desvio = resultados.std() print(desvio)
