Forum Replies Created
- Posts
Olá Júlio,
Nem sempre aumentar o número de épocas ajuda, pois pode ocorrer o fenômeno de overfitting. Geralmente, quando a arquitetura da rede e os dados são os mesmos, as maiores diferenças nos resultados se devem à inicialização da rede, mas como ela é inicializada com valores aleatórios, você precisa tentar várias vezes até que ela inicialize com os valores que entregam os melhores resultados.
Olá Luis,
Em Python, funções sem parâmetros são usadas quando a operação a ser realizada não depende de nenhuma entrada específica fornecida pelo usuário. Por exemplo, uma função sem parâmetro pode ser usada para exibir uma mensagem de boas-vindas, pois a mensagem é sempre a mesma, independentemente de qualquer entrada externa:
def greet(): print("Hello, world!") greet() # Saída: Hello, world!Por outro lado, funções com parâmetros permitem que a mesma função seja usada para operar em diferentes entradas, tornando-a mais flexível e reutilizável. Parâmetros podem ser fornecidos explicitamente na chamada da função:
def greet(name): print(f"Hello, {name}!") greet("Alice") # Saída: Hello, Alice!Ainda, funções com parâmetros implícitos, ou valores padrão, permitem que certos parâmetros sejam opcionais, fornecendo um valor padrão se nenhum valor for especificado. Isso aumenta a flexibilidade da função, permitindo uso mais simplificado quando os valores padrão são aceitáveis:
def greet(name="world"): print(f"Hello, {name}!") greet() # Saída: Hello, world! greet("Alice") # Saída: Hello, Alice!Neste exemplo, a função
greetpode ser chamada sem argumento, caso em que usará o valor padrãoworld, ou com um argumento específico, comoAlice, adaptando-se a ambas as situações.Sim, mas aí depende do ambiente de execução ser o mesmo. Se você está rodando local, eu te recomendo ir no Colab e ver quais as versões das bibliotecas utilizadas, e construir um ambiente local com as mesmas versões.
Olá Ubiratan,
Eu rodei o código do Colab anexado à aula e não teve problemas. Pode ser que você tenha feito alguma alteração. Tenta utilizar o código original.
Olá Wandré,
Eu até achei a explicação do professor meio confusa, mas sobre identificar a quantidade de sujeitos no centro ou na periferia da curva, concordo com você, só com duas correções: o cálculo usa a média, não a mediana (ainda que, no caso de distribuições normais, os dois valores tenderem a coincidir), e em relação à periferia, você precisa pegar os pontos que sejam maiores ou iguais à mediana + 1 desvio padrão OU menores ou iguais à mediana – 1 desvio padrão.
`
periferia_da_curva = np.sum((dados_normal >= (np.mean(dados_normal)+np.std(dados_normal)) | dados_normal <= (np.mean(dados_normal)-np.std(dados_normal))))centro_da_curva = np.sum((dados_normal <= np.mean(dados_normal)+np.std(dados_normal)) & (dados_normal >= np.mean(dados_normal)-np.std(dados_normal)))
`Olá aluno,
Supondo que o modelo foi salvo com o nome
meu_modelo.h5e que os dados sejam representados por 5 atributos numéricos:# Carregue o modelo salvo model = tf.keras.models.load_model('meu_modelo.h5') # Crie o novo registro (exemplo) novo_registro = np.array([[150, 3, 2, 1, 10]]) # Realize a predição previsao = model.predict(novo_registro) # Extrai o valor da predição valor_predito = previsao[0][0]Olá Luis,
Nós estamos desenvolvendo um curso de NumPy onde essas questões serão abordadas, mas por enquanto eu posso te dizer que a grande vantagem de utilizar o NumPy é a performance, ele é muito mais rápido para fazer os cálculos vetoriais que são parte fundamental de muitos algoritmos de machine learning.
