Respostas no Fórum
- Posts
Olá Kezia, tente utilizar as versões abaixo:
!pip install sentencepiece !pip install tf-models-nightly==2.4.0.dev20210501 !pip install tf-nightly==2.6.0.dev20210501
Fabio
Olá Ahand, segue resposta do instrutor Denny:
No caso de variáveis categóricas, os pontos no gráfico só podem ocupar as posições (0, 0) – para classe 0 saída 0 – ou, respectivamente, (0, 1), (1, 0) e (1, 1). Acontece que eles vão estar concentrados nos pontos que correspondem às relações entre os dados. Suponha por exemplo que uma categoria esteja associada à saída 1 do sistema 70% das vezes em que ela ocorre no dataset, então 70% dos pontos para x = 1 estarão presentes em (1, 1), e os demais 30% em (1, 0); da mesma forma, se a ausência da categoria estiver relacionada com 65% da saída 0 e 35% da saída 1, teremos 65% dos pontos para x = 0 em (0, 0) e o restante em (0, 1). A curva em si é uma condição imposta pelo modelo, ele sempre vai produzir uma curva, mas suas características de inclinação são adequadas para resultar no menor erro possível considerando os dados. Ou seja, o modelo vai produzir uma curva, ainda que os dados não sejam representados explicitamente desta forma. Como os dados não são uma curva, o erro nunca vai ser zerado, mas meramente minimizado, que é exatamente o que a modelagem propõe.
Os dados podem ser tratados previamente em um editor de planilha, podendo economizar algumas etapas no Orange. Não temos conteúdos implementados especificamente no pré-processamento com o Orange. Mas, pesquisando encontrei mais alguns conteúdos que podem lhe ajudar:
https://www.youtube.com/watch?v=UiedzQwqVXs
Fabio
Olá Ahand, a API do Yahoo Finance foi descontinuada, iremos pesquisar uma possível solução, em breve lhe retorno.
https://stackoverflow.com/questions/50934088/time-series-forecasting-in-orangeFabio
Olá Ahand, segue resposta do instrutor Denny:
“Isso mesmo, se tiver mais categorias, um suposto gráfico seria multidimensional, mas eu digo suposto porque nós nem temos como plotar um gráfico com mais que 3 dimensões. Por isso, a plotagem apresentada tem maior valor para demonstrar a técnica, não como ferramenta de visualização em si, já que ela tem essa enorme limitação.
Sobre as variáveis categóricas você está correto, elas precisam ser binarizadas (no caso de variáveis binárias) ou, mais genericamente, transformadas no formato one-hot, onde cada categoria vira uma nova coluna no dataset.”
Sobre o tratamentos de dados com o Orange, você pode consultar o link que mostra como fazer isso:
https://orange3.readthedocs.io/projects/orange-visual-programming/en/latest/loading-your-data/index.htmlFabio
Olá João, você pode utilizar a normalização para chegar a uma relação linear mais robusta. Normalmente, quando o relacionamento entre dois conjuntos de dados é não linear, transformamos os dados para chegar a um relacionamento linear.
Fonte consultada e outras discussões aqui.
Fabio
Olá Sacramento, isso mesmo… Foi dessa forma que atualizamos o código fonte.
Obrigado pela colaboração 🙂
Fabio
Olá Everton, para corrigir esse erro utilize o código atualizado, disponível no link abaixo:
https://iaexpert.academy/topic/recursos-para-download-7/
Fabio
Olá Weudes, clique sobre o título da seção de Introdução e em seguida acesse Recursos para download. Ou no link abaixo:
https://iaexpert.academy/topic/recursos-para-download-60/
Fabio
Olá Weudes, você pode conferir a indicação de livros no link abaixo:
https://iaexpert.academy/topic/referencias-complementares-27/
Fabio
Olá Sacramento, para resolver, localize o arquivo “C:\ProgramData\Anaconda3\lib\site-packages\pybrain\tools\functions.py” e alterar o “expm2” por “expm” no “from scipy.linalg”.
Fabio
Olá Roberto, utilize o comando abaixo:
tokenizer_en = tfds.deprecated.text.SubwordTextEncoder.build_from_corpus(corpus_en, target_vocab_size=2**13)
Fabio
Olá Renan, recomendamos que seja utilizado o Google Colab. Entretanto, tente digitar o comando abaixo no prompt do anaconda:
conda remove opencv conda install -c conda-forge opencv=4.1.0
Fabio
Olá Antonio, não podemos ajudar com implementações personalizadas, mas pesquisando encontrei esse artigo que poderá lhe ajudar:
https://amplitude.com/blog/causation-correlation
Fabio
