Respostas no Fórum
- Posts
Olá Jerri, testei o código da vídeo aula e executou normalmente. Tente executar novamente verificando se alguma linha ficou sem executar, por favor.
Fabio
Olá Tamashiro, você esta utilizando as versões indicadas no início do Colab? Normalmente, esse erro é uma incompatibilidade com as versões mais novas do Tensorflow.
Fabio
Olá Aislan, esse conteúdo ainda não foi implementado, somente podemos dar suporte ao código da vídeo aula. Para demais situações podemos passar alguns direcionamentos ou links, porém dependem da implementação do aluno.
Fabio
Olá Aislan, veja nessa discussão como fazer.
Fabio
Olá Vanessals, segue a resposta do instrutor Denny:
Como o K-Means é uma técnica de agrupamento não supervisionado, os agrupamentos são “naturais”, ou seja, eles se formam em função das características dos dados, não dos rótulos. Portanto, nem sempre há uma correlação entre os grupos formados desta forma e os rótulos conhecidos. Sendo assim, não é comum identificar os grupos formados por agrupamento com o mesmo nome original
O que você pode fazer é verificar se os grupos formados por K-Means são parecidos com os grupos originais, usando uma função como pd.crosstab [https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.crosstab.html]. Se houver uma separação bem distinta, por exemplo se o grupo 0 tiver uma maioria da classe alto risco e o grupo 1 tiver uma maioria de baixo risco, então você pode concluir que a técnica de K-Means é adequada para classificar os registros, atribuindo a correspondência que o grupo 0 significa alto risco e o grupo 1 baixo risco, mas somente se a correspondência do exemplo existir.Fabio
Olá Bonny, segue resposta do instrutor Denny:
Em ciência de dados, nós chamamos estes atributos de categóricos. Para estes casos, nós tratamos cada categoria possível como uma entrada separada. Por exemplo, ao invés de aroma com valores doce, floral e fresco, devemos separar este atributo em três: aroma_doce, arome_floral e aroma_fresco. Esta etapa do pré-processamento é chamada de one hot encoding, e uma implementação que usamos bastante para fazer essa transformação de forma automatizada é a da biblioteca Sklearn:
https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.OneHotEncoder.html
Fabio
Olá Aislan, você pode encontrar a seção de introdução:
https://iaexpert.academy/topic/recursos-para-download-20/
Fabio
Olá João, esse erro é estranho porque ele ocorre na função lower(). Tente verificar se algum outro valor foi atribuído à variável.
Veja um exemplo abaixo de quando uma situação como essa ocorreria:
Fabio
Olá Paula, desculpe, sua pergunta não apareceu nas notificações em breve um dos instrutores irá lhe responder 🙂
Fabio
Olá Maciel, entendi, caso queira compartilhe com os demais alunos a sua solução através do fórum.
Fabio
Olá Shin, esses links devem estar dentro da url para que a biblioteca realize a extração das informações da página web.
Fabio
Olá Helder, ao colocar o número 10 nenhuma mensagem foi impressa porque ele não atendeu nenhuma das condições. O código da aula foi feito dessa forma para parecer mais didático, mas uma forma de deixar ele mais completo seria adicionar a finalização da cláusula com um else, veja um exemplo:
print(‘Digite um valor: ‘) valor = int(input()) if valor >= 1 and valor <= 9: print(‘Está na faixa permitida.’) elif valor < 1 or valor > 11: print(‘Está fora da faixa permitida.’) else: print('Valor não encontrado')Caso queira compreender um pouco mais sobre essa parte de lógica, recomendo a leitura desse assunto: tabela verdade.
Fabio
