Respostas no Fórum
- Posts
Boa noite Pereira, esta faltando o atributo [‘Close’]. Veja abaixo como deve ficar:
acoes_df = pd.DataFrame() for acao in acoes: acoes_df[acao] = data.DataReader(acao, data_source='yahoo', start='2015-01-01')['Close']
Fabio
Boa noite Alex, sua pergunta não havia sido notificada aqui para mim. Que bom que conseguiu resolver a primeira a parte da sua dúvida. Entretanto, consegue dar mais detalhes da segunda dúvida? Se puder postar um print do que você esta tentando fazer.
Fabio
Boa noite Rafael, não temos cursos relacionados a isso, mas encontrei alguns materiais que podem lhe ajudar, veja abaixo:
https://www.youtube.com/watch?v=earQPDAr3io
https://www.learnrobotics.org/blog/face-tracking-opencv/
https://github.com/ankitdhall/Arduino-OpenCV-Human-Follower
Fabio
Boa noite Clauder, qual IDE você esta utilizando? Lembre que para IDE’s como Jupyter e Spyder o arquivo csv deve estar no mesmo diretório do projeto ou no diretório padrão.
Aguardo sua resposta para continuar lhe auxiliando.
Fabio
Boa noite Edi, consegue fazer um teste com o código fonte da vídeo aula? Compreendo que seu código esta parecido, mas pode estar faltando alguma etapa, por isso o erro.
Fabio
Boa tarde Edi, desculpe não havia notificado a sua pergunta aqui. Sobre o erro, pelo que eu pude entender o seu df_prediction é uma string e a função .head() necessita de um dataframe. Consegue verificar no momento em você cria esse dataframe se existe alguma mensagem de erro?
https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.head.html
Fabio
Boa noite Nelson, encontrei algumas discussões com exemplos de implementações que podem lhe ajudar, veja baixo:
https://stackoverflow.com/questions/54367491/calculate-average-of-days-between-a-list-of-dates
Fabio
Bom dia Carlos, sim ambas são não supervisionadas. Sobre a técnica de agrupamento em marketing, pode ser utilizada dependendo do contexto e do objetivo do projeto.
Fabio
Boa noite Carlos, as regras de associação são utilizadas para encontrar correlações e co-ocorrências entre conjuntos de dados. Normalmente são utilizadas para explicar padrões entre informações independentes, com ênfase em bancos de dados relacionais e transacionais, onde se utiliza o termo “mineração de regras de associação”. A intuição do termo clustering é categorizar as informações a fim de gerar segmentações e com isso agrupa-las por características parecidas, como por exemplo: comportamento, sexo, renda per capita, entre outras.
Fabio
Boa noite Edi, possivelmente esta faltando alguma dependência no Jupyter. Entretanto, sugiro utilizar o ambiente do Google Colab.
Fabio
Boa noite Fabio, obrigado por nos avisar, iremos verificar.
Obrigado por compartilhar o material
Fabio
Boa noite Dougtaleb, nesse cálculo taxas_retorno = (dataset / dataset.shift(1)) – 1 é realizada uma operação matemática comum. O valor é exibido em porcentagem quando multiplicado por 100.
Fabio
Boa noite Edi, em qual ambiente você tentou instalar a biblioteca, no Spyder no no Google Colab?
Fabio
Boa tarde Nelson, segue a resposta do instrutor Denny Ceccon:
“Como só é possível aplicar o KMeans em dados numéricos, as variáveis categóricas têm sim que ser transformadas no tipo one-hot-encoding (que é a mesma coisa que faz a função pd.get_dummies). Não sei se é “necessário” transformar em array, mas certamente não prejudica, já que as bibliotecas de machine learning costumam trabalhar com arrays do numpy.
Visualizar o quanto o PCA representa dos dados originais é interessante sim, porque se este valor for muito baixo, então o gráfico acaba não sendo uma boa representação do problema, já que ainda há muita variabilidade nas outras dimensões do PCA que não são plotadas. A ideia de concentrar a variabilidade em poucas dimensões é justamente permitir a visualização em plots.”Fabio
