Forum Replies Created
- Posts
Olá Vinícius,
Você precisa fazer downgrade do Python para versão 3.6 ou anterior. No Colab isso é mais complicado, mas em execução local eu sempre uso o conda pra isso:
conda create -n python36 python=3.6Isso vai criar um ambiente chamado
python36com esta versão do Python. Aí você pode ativar o ambiente e instalar o TF1.x lá.Te oriento a seguir o notebook, porque não sei se foi só essa linha alterada. O código inválido está sempre marcado como comentário (
#em Python), seguido do novo código, conforme abaixo (retirado do notebook):#gol_df = data.DataReader(name = 'GOLL4.SA', data_source='yahoo', start='2015-01-01') gol_df = yf.download("GOLL4.SA", start='2015-01-01')Essa deve ser a versão do Python, você precisa checar as versões das bibliotecas. Basicamente, as bibliotecas são aquelas importadas no início do notebook (com o comando
import).Júlio, lembrei que recentemente eu fiz esta atualização no código:
for layer in base_model.layers[:-10]: # layers.trainable = False layer.trainable = False # correção MAI-2024Isto para ficar de acordo com a aula gravada, congelando as últimas camadas do modelo. Entretanto, como na aula o código estava errado, o professor não congelou essas camadas, o que provavelmente explica os resultados melhores neste estudo de caso. Congelar essas camadas é geralmente uma opção do desenvolvedor; isso geralmente agiliza o treinamento, mas pode ter alguma perda de performance. Removendo esta parte do código, você pode encontrar resultados melhores. Aproveitei a oportunidade e adicionei essa observação no código da aula.
Eu respondi na sua outra pergunta, André:
Veja que esta linha que está dando problema está marcada com um comentário no notebook anexado à aula, acredito que o professor optou por usar a biblioteca
yfinanceporque a bibliotecapandas-datareadernão está mais recebendo atualizações desde 2021. Se você se basear no código do notebook, não deve ter problemas.Ah sim, veja que esta linha que está dando problema está marcada com um comentário no notebook anexado à aula, acredito que o professor optou por usar a biblioteca
yfinanceporque a bibliotecapandas-datareadernão está mais recebendo atualizações desde 2021. Se você se basear no código do notebook, não deve ter problemas.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)))
`
