Forum Replies Created
- Posts
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 !
Olá, Sergio!
Coloquei um aviso no início do curso e reposto abaixo
Na aula de boas-vindas eu comento sobre o ANEXO com aulas básicas sobre Python. Aqui na plataforma esse anexo está disponível na forma de um novo curso, portanto, você ganha outro certificado que indica que você fez as aulas básicas de Python.
Acho interessante revisar, talvez só colocar no 2x
Os links para os fontes foram adicionados há alguns minutos na aula Recursos para download, no início do curso
Isso mesmo! Ah e sobre a outra dúvida: tem alterações no código considerando versões novas de bibliotecas, mas a base e os estudos de caso são os mesmos. As aulas foram gravadas no Google Colab, portanto deve rodar no Jupyter (não testamos nessa ferramenta)
Boa tarde!
Obrigado pelo elogio 🙂
Se puder tentar novamente, que o curso acabou de ser atualizado com as novas aulas. Testei aqui e o link está abrindo normalmente
Jones
