Respostas no Fórum
- Posts
Olá Renan, verifique no painel de controle na lista de aplicativos instalados se o Anaconda foi instalado. Caso sim, desinstale-o e em seguida execute o instalador novamente executando como administrador. Algumas instalações não finalizadas devido ao fato que de o usuário não tem permissões suficiente para gravar em algumas pastas do sistema.
Fabio
Olá Florencio, a primeira parte do curso é realizada diretamente no DiaglogFlow. Na segunda parte, você pode clicar em materiais e acessar o colab da aula, como mostro na imagem abaixo.
Fabio
Olá Fernando, segue a resposta do instrutor Denny:
Em machine learning, o aprendizado supervisionado e não-supervisionado são tratados como tarefas independentes, sendo indiferente aprender uma ou outra antes. Os algoritmos de aprendizado não-supervisionado não costumam ser usados com a finalidade que você comenta, de criar classes para depois usar um algoritmo supervisionado. Eles buscam descobrir padrões nos dados que nos ajudem a classificar dados não rotulados, mas estes próprios padrões podem ser usados depois para classificar novos dados, sem a necessidade de passar pela fase supervisionada. Ou seja, eles não abrangem um pré-processamento, mas sim o próprio cerne do processo de aprendizado (não-supervisionado, no caso). Você vai encontrar dois desses algoritmos na Parte 4 do curso.
Um abraço e bons estudos!
Olá Willian, algumas aulas estavam trocadas, porém já foram organizadas.
Obrigado por nos avisar 😉
Fabio
Olá Willian, algumas aulas estavam trocadas, porém já foram organizadas.
Obrigado por nos avisar 😉
Fabio
Olá Lindomar, você precisa adicionar o interpretador Python ao PyCharm. Veja nesse tutorial como fazer isso.
Fabio
Olá Vinícius, segue a resposta do instrutor Denny:
Acredito que só faltou converter sua variável y usando o LabelEncoder:
from sklearn.preprocessing import LabelEncoder
y_encoded = LabelEncoder().fit_transform(y)model = MLPClassifier()
model.fit(X, y_encoded)O Sklearn até aceita y sem passar por LabelEncoder, mas só para problemas binários. Eu testei o método acima com um dataset com y numérico e deu certo.
Olá Shin, segue a resposta do instrutor Denny:
Primeiro você deve carregar a tabela usando a biblioteca Pandas:
import pandas as pd
tabela = pd.read_csv(‘tabela.csv’)
Aí você cria uma função para processar cada texto:
def processa(texto):
text = nltk.word_tokenize(texto)
pos_tagged = nltk.pos_tag(text)
NV = list(filter(lambda x: x[1] == ‘NN’ or x[1] == ‘VB’, pos_tagged))return NV
Suponhamos que as frases de seu interesse estejam em uma coluna chamada Frases, você pode gerar uma lista com os resultados usando:
resultados = tabela[‘Frases’].map(processa)
Olá Jerri, sim, pois se você fizer o upgrade ele vai puxar a última versão do Spacy, a qual, algumas função do código da aula não compatíveis. Todavia, você pode executar o comando abaixo, que é compatível com o código da vídeo aula:
!pip install spacy==2.2.3
Fabio
Olá Willian, passei a sua pergunta ao professor Denny, e na opinião dele não, já que a rede neural serve justamente como uma aproximação da equação que rege o fenômeno em estudo.
Fabio
Olá Lucian, diretamente no arquivo do Google Colab:
https://iaexpert.academy/topic/classificacao-com-naive-bayes-1/
Fabio
Olá Rafael, segue a resposta do instrutor Denny:
Na prática, nós costumamos salvar o modelo em intervalos periódicos, e assim podemos recuperar o estado do modelo tanto para fazer predições quanto para continuar treinando a partir daquele ponto. A implementação depende de cada biblioteca, no Tensorflow por exemplo existe uma classe chamada (ModelCheckpoint)[https://www.tensorflow.org/api_docs/python/tf/keras/callbacks/ModelCheckpoint] que faz exatamente isso. Na documentação do link você pode ter uma ideia de como ela funciona.
Fabio
