Respostas no Fórum
- Posts
É isso mesmo, são esses algoritmos. Porém, se fizer uma pesquisa encontrará mais algoritmos e não somente esses 3
Olá, Julio!
Os códigos estão todos atualizados, é só consultar o arquivo do Google Colab que está disponível que você verá uma observação sobre a atualização da biblioteca, bem como o ajuste no código. Essa atualização no curso foi feita há bastante tempo. Porém, por nossa falha, acabamos esquecendo de avisar por aqui
Outro detalhe é que em breve, vamos colocar um aviso em todos os cursos para que os alunos consultem o arquivo original caso ocorram problemas na execução, principalmente para quem digita o código passo a passo seguindo os vídeos (atualizações sempre são colocadas lá). Muitas vezes as alterações no código são muito pequenas e não vale a pena editar os vídeos, e nesses casos colocamos comentários no próprio código fonte
Jones
Olá!
Sugiro o curso de ML completo, que tem módulos sobre 3 algoritmos de agrupamento: https://iaexpert.academy/courses/machine-learning-data-science-python-az/
Sobre colocar os modelos em produção, você pode usar o TensorFlow Serving. Em breve vamos lançar um curso sobre o AWS, que mostrará em mais detalhes como fazer esse processo diretamente na Amazon
Jones
Recentemente fiz um trabalho de avaliar o modelo de uma empresa. a característica do modelo foi uma distribuição de Poisson. Meu objetivo era saber se no lugar de Poisson poderia ser uma distribuição normal.
gostaria de saber se essa distribuição de Poisson pode facilmente ser confundida ou trocada por outra, ou se uma distribuição é rigorosamente atrelada ao modelo, digo, não pode haver erros na hora de caracterizar a distribuição.
E qual a importância de documentar a distribuição? é só por exigência da empresa ou todos os testes de estatística somos obrigado a documentar a distribuição encontrada.
Olá, Felix!
Verifiquei todas as suas perguntas tanto aqui na plataforma quanto na Udemy, e o tempo máximo de resposta foi de 4 dias. O tempo de resposta é em média 3 dias (sem considerar finais de semana ou feriados), portanto, não houve demora nas respostas. O sistema indicou que não tem nenhuma pergunta sua em aberto, todas foram respondidas (avise se tiver alguma em aberto)
Leve em conta que algumas dúvidas que postou são muito específicas e requerem mais tempo para responder. Procuramos responder assim que possível e da melhor maneira, porém, lembre-se que é uma plataforma de cursos on-line e não temos professor particular para nenhum aluno
Jones
Olá, Ricardo!
Por enquanto estão sem o vídeo mesmo, acabei esquecendo de colocar um aviso que serão postadas entre hoje e amanhã (estão em processo final de edição)
Jones
Olá, Diego!
Verifique em Materiais na primeira aula onde estão as implementações (os links para os colabs estão lá)
Jones
Olá, Katia!
Por hora não temos conteúdo sobre o Instagram, porém, está na lista de cursos para este ano ainda 🙂
Jones
Que bom que deu certo! 🙂
Provavelmente está faltando definir as permissões de acesso no token (reveja o vídeo, na parte que são selecionadas/marcadas todas as permissões)
Olá, Claudia!
Pela mensagem de erro, provavelmente está sendo usado o token de usuário e não o token da página. Essa parte é um pouco chata mesmo e quando eu estava gravando as aulas também tive esse problema várias vezes. Sugiro apagar todos os tokens e tentar executar o processo novamente
Jones
Olá, Marco!
Isso, mas podemos arredondar o valor e considerar 0.9999 como 1 e 0.00011 como 0 (não precisamos ter o valor exato)
Jones
Essa construção que fiz estaria correta para a detecção de anomalias com o autoencoder usando tensorflow/keras?
————————————————
# Preparação para autoencoder
tamanho = treino.shape[1]
tamanho# Construção das camadas
input = layers.Input(shape=(tamanho, ))
encoder = layers.Dense(int(tamanho/2), activation=”relu”)(input)
encoder = layers.Dense(int(tamanho/5), activation=”relu”)(encoder)
encoder = layers.Dense(int(tamanho/9), activation=”relu”)(encoder)latent = layers.Dense(int(tamanho/12), activation=”relu”)(encoder)
decoder = layers.Dense(int(tamanho/9), activation=”relu”)(latent)
decoder = layers.Dense(int(tamanho/5), activation=”relu”)(decoder)
decoder = layers.Dense(int(tamanho/2), activation=”relu”)(decoder)output = layers.Dense(int(tamanho), activation=”sigmoid”)(decoder)
# Criação do modelo
autoencoder = Model(input, output)
autoencoder.compile(optimizer=”adam”, loss=”mse”) ################# usar o MSE seria adequado?# Treinamento do modelo
treinamento = autoencoder.fit(treino, treino, epochs=100, batch_size=256, verbose=False, validation_split=0.15)
# Reconstrução da base
reconstrucao = autoencoder.predict(treino)
train_loss = tf.keras.losses.mse(reconstrucao, treino)
plt.hist(train_loss, bins=50)# Determinação do threshold para identificação de anomalias
threshold = np.mean(train_loss) + np.std(train_loss)
threshold# Atribuição da perda MSE
dados[“MSE”] = tf.keras.losses.mse(reconstrucao, treino)
# Classificação do outlier
dados[“Outlier”] = 0
dados.loc[dados[“MSE”] > threshold, “Outlier”] = 1<hr />
Obrigado !
